1
BAB I
PENDAHULUAN
1.1 Latar BelakangSekelompok nilai yang dicatat atau diamati dalam periode waktu yang tetap dan diasumsikan barisan datanya saling bebas antara satu dan yang lain disebut dengan deret waktu(Time series) [1]. Contoh data time series yaitu harga saham, jumlah uang beredar, indeks harga konsumen, curah hujan, dan
lainnya. Time series digunakan untuk membantu dalam proses
memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan data masa lalu dan sekarang dengan tujuan agar kesalahan atau selisih antara sesuatu yang terjadi dengan hasil perkiraan dapat diperkecil (prediksi). Salah satu metode prediksi yang dapat digunakan adalah
exponential smoothing dimana dalam pengolahannya mengulang terus
menerus dengan menggunakan data terbaru. Metode ini didasarkan pada perhitungan rata-rata pemulusan data sebelumnya secara eksponensial, dengan kata lain untuk setiap data diberikan bobot sehingga data yang terbaru mempunyai nilai lebih besar dari data sebelumnya.
Metode exponential smoothing dibedakan menjadi beberapa tipe yaitu single exponential smoothing (SES), double exponential smoothing (DES) dan triple exponential smoothing (TES). Tipe SES digunakan pada data yang tidak berfluktuasi (bebas dari pola tren/musiman), Tipe DES dipilih untuk memprediksi jika terdapat unsur tren dalam data yang dipakai [2] namun apabila terdapat unsur tren dan musiman dalam data maka akan digunakan tipe TES [3]. Dengan spesifikasi yang berbeda tersebut, ketiga tipe ini dianggap tidak sepadan jika dibandingkan, namun karena data pengajuan kredit cukup berfluktuasi maka adanya pertimbangan data yang dikaji memiliki komponen tren dan musiman dapat dilihat salah satunya berdasarkan besar kesalahan yang diperoleh dari setiap tipe exponential
2
Kinerja prediksi dari metode tipe exponential smoothing sangat dipengaruhi oleh penentuan parameter pemulusan yang ada dalam persamaan matematikanya [5]. Tipe SES dipengaruhi parameter pemulusan tunggal yaitu , DES dipengaruhi oleh dua parameter pemulusan yaitu dan sedangkan
untuk tipe TES dipengaruhi oleh tiga parameter pemulusan yaitu , dan . Penentuan parameter terbaik secara umum dicari dengan uji coba hingga kesalahan prediksi cukup kecil [3]. Seperti penelitian yang dilakukan oleh Dani al Mahkya, Hasbi Yasin, dan Moch. Abdul Mukid yang berjudul Aplikasi Metode Golden Section Untuk Optimasi Parameter Pada Metode
Exponential Smoothing dengan menggunakan data nilai Ekspor Jawa Tengah
periode Januari 2006 sampai dengan Desember 2013 [6]. Penelitian tersebut melakukan penentuan parameter menggunakan metode golden section dengan nilai Mean Absolute Percentage Error (selanjutnya disebut MAPE) terkecil, penelitian tersebut menggunakan bantuan software yaitu MATLAB, sedangkan penelitian yang dilakukan oleh Maftahatul Hakimah, Weny Mistarika Rahmawati, dan Andre Yuldian Afandi dalam penelitiannya yang berjudul Pengukuran Kinerja Metode Prediksi Tipe Exponential Smoothing Dalam Parameter Terbaiknya Menghasilkan Model Terbaik, melakukan penentuan parameter secara manual menggunakan program solver dari
microsoft excel dengan melihat nilai MAPE terkecil [4]. Pada penelitian ini
penulis melakukan penentuan parameter terbaik dengan bantuan software
Rstudio untuk mengurangi terjadinya kesalahan dalam proses pengolahan
data dan penentuan paramater berdasarkan nilai Root Mean Square Error (RMSE) dan Mean Absolute Deviation (MAD) terkecil.
Pada tipe DES diberikan penambahan parameter untuk meredam pergerakan tren yang disebut dengan damped holt’s methods (DES dengan
damped trend, selanjutnya disebut DT) [3]. Kinerja metode prediksi tipe ini
dipengaruhi oleh 2 parameter pemulusan yaitu , dan 1 parameter peredaman tren . Penelitian terdahulu yang membahas mengenai DT dilakukan oleh Maftahatul Hakimah dan Muchamad Kurniawan dalam penelitiannya dengan judul Integration of Double Exponential Smoothing
3
Exchange Rate against USD during COVID-19 Pandemic. Penelitian tersebut
menggunakan data nilai tukar rupiah terhadap United States Dollar (USD) ketika pandemi Covid-19 dengan hasil menunjukkan bahwa algoritma
Particle Swarm Optimization (PSO) lebih baik dalam memperoleh parameter
yang optimal untuk memprediksi nilai tukar rupiah pada periode yang akan datang dibandingkan dengan Genetic Algorithm (GA). Tingkat kesalahan integrasi trend teredam double exponential smoothing dengan PSO adalah 0,70%, sedangkan tingkat kesalahan untuk metode yang sama dengan GA adalah 0,72%. Penambahan faktor peredam tren ke metode DES juga secara signifikan meningkatkan akurasi ramalan [7]. Tipe DT dapat digunakan pada data yang cukup berfluktuasi seperti perkiraan stok barang, jumlah pengajuan kredit dan lainnya.
Kredit merupakan suatu jenis pinjaman yang harus dibayar kembali bersama bunganya oleh peminjam sesuai dengan perjanjian yang telah disepakati [8]. Kondisi perkreditan di Indonesia saat ini semakin meningkat sesuai dengan tingginya tingkat kebutuhan, hal ini mempengaruhi perkembangan perekonomian nasional dan perubahan lingkungan strategis yang dihadapi dunia usaha termasuk usaha kecil menengah saat ini sangat cepat dan dinamis. Bank sebagai badan usaha diharapkan dapat ikut berperan secara nyata meningkatkan pendapatan dan kesejahteraan masyarakat agar mampu mengatasi ketidakseimbangan ekonomi dan kesenjangan sosial, sehingga lebih mampu berperan sebagai wadah kegiatan ekonomi rakyat.
4
Berdasarkan survei yang dilakukan oleh kompas.id diperoleh bahwa kredit perbankan Indonesia meningkat setiap tahunnya sejak 2009 sampai 2019, dapat dilihat pada Gambar 1.1 dimana total kredit pada tahun 2009 meningkat sebesar 9,95% dengan total kredit sebesar 1.437 triliun, pada tahun 2010 meningkat sebesar 22,80% dengan total kredit 1.765 triliun dan terus meningkat hingga tahun 2019 dengan total kredit sebesar 5.615 triliun.
Kredit dapat diberikan oleh bank apabila dana yang dimiliki memadai dan syarat terpenuhi, oleh karena itu diperlukan prediksi yang tepat agar pihak bank dapat mengantisipasi seberapa besar dana yang harus disediakan setiap bulannya dan dapat menentukan langkah-langkah selanjutnya terkait pengajuan kredit yang akan diterima oleh bank, dengan adanya prediksi ini bank juga dapat mengambil keputusan sebagai bahan pertimbangan untuk mencapai tujuan yang ada. Proses prediksi dapat dilakukan menggunakan
time series dengan memperhatikan kriteria penentuan metode yang paling
tepat untuk digunakan, salah satunya exponential smoothing.
Berdasarkan uraian diatas yang telah disampaikan, peneliti tertarik melakukan kajian mengenai metode exponential smoothing. Dalam penelitian ini perolehan nilai parameter terbaik dari setiap tipe exponential smoothing menggunakan bantuan dari software Rstudio. Penelitian ini diharapkan dapat memberikan hasil prediksi dengan tingkat ketepatan yang cukup baik dengan judul “Pemodelan Time Series Menggunakan Exponential Smoothing Dalam Prediksi Pengajuan Kredit (Studi Kasus Bank Mandiri Taspen Medan)”
1.2 Rumusan Masalah
Berdasarkan hal yang melatarbelakangi pengambilan topik penelitian ini maka diambil beberapa rumusan masalah berikut:
1. Bagaimana menerapkan exponential smoothing dalam data jumlah pengajuan kredit di Bank Mandiri Taspen Medan.
2. Membandingkan metode exponential smoothing terbaik berdasarkan nilai RMSE dan MAD terkecil.
5
3. Memprediksi data menggunakan tipe exponential smoothing terbaik dan dibandingkan dengan nilai aktualnya.
1.3 Tujuan Penelitian
Penelitian ini diharapkan dapat mencapai beberapa tujuan berikut: 1. Mendapatkan model exponential smoothing terbaik berdasarkan nilai
RMSE dan MAD terkecil.
2. Mendapatkan hasil prediksi kemudian dibandingkan dengan nilai aktual.
1.4 Batasan Penelitian
Agar pembahasan tidak menyebar maka dilakukan pembatasan dalam penelitian ini sebagai berikut :
1. Data yang digunakan adalah jumlah pengajuan kredit Bank Mandiri Taspen Medan setiap bulannya sejak Januari 2016 hingga Mei 2021 dengan jumlah data sebanyak 65 data.
2. Pengolahan data menggunakan metode Exponential Smoothing dari Holt. 3. Pengecekan standar error menggunakan Root Mean Square Error
(RMSE) dan Mean Absolute Deviation (MAD).
1.5 Manfaat
Penelitian ini diharapkan dapat memberikan manfaat seperti berikut: 1. Bagi penulis dengan adanya metode yang digunakan dapat menambah
wawasan tentang bagaimana memprediksi jumlah pengajuan kredit dengan metode Exponential Smoothing.
2. Bagi Bank Mandiri Taspen Medan dengan adanya penelitian ini dapat dijadikan pertimbangan dalam mengambil keputusan dimasa yang akan datang.
1.6 Sistematika Penulisan
Berikut uraian alur penulisan yang digunakan dalam penelitian ini: a. BAB I Pendahuluan
6
Bab ini menjelaskan mengenai latar belakang mengapa mengambil topik pembahasan yang berkaitan dengan judul. Disamping itu juga terdapat rumusan masalah, tujuan penelitian, batasan penelitian, manfaat dan juga sistematika penulisan. Rumusan masalah berisi permasalahan apa yang akan dijelaskan pada pembahasan. Penulisan tujuan berisi tentang tujuan yang hendak dicapai setelah dilakukan penelitian. Batasan masalah untuk membatasi penelitian agar penelitian yang dibahas tidak meluas. Manfaat berisi hal-hal yang akan diperoleh penulis dan instansi dari penulisan penelitian ini. Bagian terakhir pada bab ini adalah sistematika penulisan. b. BAB II Tinjauan Pustaka
Pada bab ini, penulis memaparkan tinjauan pustaka yang melatarbelakangi penelitian yang terkait dengan judul yang akan dibahas. Saat menjelaskan landasan teori, penulis juga akan menyertakan referensi terkait dengan masalah yang akan dibahas.
c. BAB III Metode Penelitian
Dalam bab ini, penulis menjelaskan bagaimana tahapan penelitian terkait dengan masalah yang dibahas. Bab ini juga menguraikan proses pemecahan masalah dalam bentuk diagram alur.
d. BAB IV Hasil dan Pembahasan
Bab ini berisi pembahasan hasil yang diperoleh dari pemecahan masalah terkait prediksi pengajuan kredit di Bank Mandiri Taspen Medan.
e. BAB V Penutup
Bab ini berisi uraian singkat tentang hasil penelitian dan saran-saran sebagai sumbangan pemikiran bagi peneliti selanjutnya untuk kedepannya.
