PERBANDINGAN METODE PERAMALAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN GENERALIZED AUTOREGRESSIVE MOVING AVERAGE (GARMA): Studi Kasus Pinjaman KPR di PT X Indonesia

Yunita W, - (2024) PERBANDINGAN METODE PERAMALAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DENGAN GENERALIZED AUTOREGRESSIVE MOVING AVERAGE (GARMA): Studi Kasus Pinjaman KPR di PT X Indonesia. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_MAT_2009165_Title.pdf Download (1MB)
	Text S_MAT_2009165_Chapter1.pdf Download (499kB)
	Text S_MAT_2009165_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_MAT_2009165_Chapter3.pdf Download (928kB)
	Text S_MAT_2009165_Chapter4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_MAT_2009165_Chapter5.pdf Download (674kB)
	Text S_MAT_2009165_Appendix.pdf Restricted to Staf Perpustakaan Download (3MB)

Abstract

Pada masa modern saat ini, pinjaman sudah menjadi instrumen keuangan yang cukup penting bagi perekonomian di Indonesia. Jenis-jenis pinjaman serta perusahaan pemberi pinjaman sendiri cukup bervariasi, tergantung pada tujuan penggunaan, syarat pengajuan pinjaman, besar pinjaman yang dibutuhkan, waktu yang dibutuhkan dalam proses pengajuan pinjaman, serta sumber pendanaannya. Salah satu kelebihan pinjaman adalah memungkinkan baik individu maupun perusahaan dapat memperoleh dana yang dibutuhkan dengan syarat pembayaran kembali dalam jangka waktu tertentu. Namun, perusahaan pemberi pinjaman juga mempunya risiko yang cukup tinggi seperti, risiko default atau gagal bayar. Perusahaan pemberi pinjaman harus melakukan penerapan analisis data dalam menentukan debitur pinjaman serta jumlah pinjaman yang akan diberikan. Selain itu, perusahaan pemberi pinjaman juga harus melakukan peramalan guna meminimalisir kerugian yang akan dihadapi di masa yang akan datang. Untuk mengatasi masalah tersebut, model peramalan runtun waktu ARIMA atau GARMA dapat menjadi salah satu solusi. Model ARIMA adalah model peramalan untuk data yang memiliki sifat berdistribusi normal, tetapi tidak stasioner. Akan tetapi, dalam kenyataannya data tidak selalu memenuhi asumsi tersebut. Sehingga dikembangkannya model GARMA yang dapat mengatasi kasus data-count (tidak berdistribusi normal maupun stasioner) yang mengikuti distribusi Non-Gaussian seperti distribusi Poisson dan Binomial Negatif. Untuk mengestimasi parameter model Poisson GARMA dan Binomial Negatif GARMA digunakan metode Maximum Likelihood Estimation (MLE) dengan pendekatan optimasi Iteratively Reweighted Least Square (IRLS). Pada penelitian ini, akan dilakukan pengkajian perbandingan tingkat akurasi metode ARIMA dengan GARMA pada kasus data jumlah debitur KPR (M) di PT X Indonesia. Model ARIMA dan GARMA yang diperoleh selanjutnya dievaluasi untuk mengukur kemampuannya dalam melakukan peramalan. Berdasarkan hasil proses evaluasi, model Binomial Negatif GARMA yang diperoleh memiliki kemampuan yang lebih baik untuk melakukan peramalan. Hasil peramalan pinjaman KPR di PT X Indonesia untuk dua belas bulan ke depan menunjukkan bahwa tidak akan terjadi kenaikan maupun penurunan yang signifikan (ekstrim) pada jumlah debitur KPR (M). In the current modern era, loans have become a crucial financial instrument for the economy in Indonesia. The types of loans and the lending institutions themselves vary significantly depending on the purpose of the loan, the conditions required, the loan amount needed, the time required for the loan application process, and the source of funding. One of the advantages of loans is that they enable both individuals and companies to obtain the necessary funds with the condition of repayment within a specified period. However, lending institutions also face considerable risks, such as default risk or non-payment. Lending institutions must implement data analysis to determine loan borrowers and the amount of the loan to be granted. Additionally, lending institutions must conduct forecasting to minimize potential future losses. To address this issue, ARIMA or GARMA time series forecasting models can be a viable solution. The ARIMA model is a forecasting model for data that is normally distributed but not stationary. However, in reality, data does not always meet these assumptions. Therefore, the GARMA model has been developed to handle count data (neither normally distributed nor stationary) that follows Non-Gaussian distributions such as Poisson and Negative Binomial distributions. To estimate the parameters of the Poisson GARMA and Negative Binomial GARMA models, the Maximum Likelihood Estimation (MLE) method is used with the Iteratively Reweighted Least Square (IRLS) optimization approach. This research will compare the accuracy levels of the ARIMA and GARMA methods in the case of the number of mortgage (KPR) borrowers (M) at PT X Indonesia. The obtained ARIMA and GARMA models will then be evaluated to measure their forecasting capabilities. The evaluation process results indicate that the Negative Binomial GARMA model has better forecasting capabilities. The mortgage loan forecasting results at PT X Indonesia for the next twelve months indicate that there will be no significant (extreme) increase or decrease in the number of mortgage borrowers (M).

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=new_articles&hl=en&imq=Yunita+W# ID SINTA Dosen Pembimbing: Entit Puspita : 5986409 Fitriani Agustina : 5981275
Uncontrolled Keywords:	Pinjaman, Runtun Waktu, Peramalan, ARIMA, GARMA. Loans, Time series, Forecasting, ARIMA, GARMA.
Subjects:	H Social Sciences > HD Industries. Land use. Labor H Social Sciences > HG Finance Q Science > QA Mathematics
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Program Studi Matematika (non kependidikan)
Depositing User:	- Yunita W
Date Deposited:	25 Jul 2024 04:43
Last Modified:	25 Jul 2024 04:43
URI:	http://repository.upi.edu/id/eprint/119247

Actions (login required)

View Item