Implementasi JST pada Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional dengan Backpropagation

Penulis

Agus Perdana Windarto, Muhammad Ridwan Lubis, Solikhun Solikhun

Abstrak

Total laba rugi komprehensif merupakan hasil yang digunakan untuk mengukur keberhasilan kinerja perusahaan selama periode tertentu yang tidak dipengaruhi oleh operasi normal perusahaan. Informasi total lapa rugi komprehensif sangat penting bagi beberapa pengguna laporan keuangan seperti investor, kreditor dan manajemen dalam memprediksi dimana posisi angka total laba rugi komprehensif untuk menentukan arah investasi masyarakat ke depan, begitu juga bagi pihak bank berguna untuk menentukan kebijakan strategi pemasaran dalam meninggkatkan total laba komprehensif tersebut. Penelitian ini bertujuan untuk membuat prediksi dengan menggunakan Artificial Intelligence dengan algortima backpropagation. Data yang digunakan bersumber dari Otoritas Jasa Keuangan (OJK) pada PT. Bank Mandiri (Persero) Tbk (Januari-Oktober 2016). Untuk melakukan prediksi dengan algortima backpropagation. Proses dilakukan dengan membagi data pelatihan dan pengujian untuk memperoleh model arsitektur terbaik. model arsitektur pelatihan dan pengujian yang digunakan untuk melakukan prediksi Total laba rugi komprehensif yakni: 4-25-1; 4-50-1; 4-50-75-1 dan 4-100-1. Dari serangkaian uji coba didapat pola terbaik dari arsitektur backpropagation adalah 4-50-1 dengan Means Square Error 0,0009978666, epoch 1977 dan akurasi 80% yang selanjutnya akan digunakan untuk melakukan prediksi.

 

Abstract

Total comprehensive income is the result used to measure the success of a company's performance over a certain period that is not affected by the company's normal operations. Total information on comprehensive loss is very important for some financial report users such as investors, creditors and management in predicting where the position of the total comprehensive income statement is to determine the direction of public investment going forward, as well as for banks to determine marketing strategy in increasing total profit comprehensive. This study aims to make predictions using Artificial Intelligence with backpropagation algorithms. The data used is sourced from the Financial Services Authority (OJK) at PT. Bank Mandiri (Persero) Tbk (January-October 2016). To predict with backpropagation algorithm. The process is carried out by dividing training and testing data to obtain the best architectural model. the training and testing architectural model used to predict the total comprehensive income: 4-25-1; 4-50-1; 4-50-75-1 and 4-100-1. From a series of trials obtained the best pattern of backpropagation architecture is 4-50-1 with Means Square Error 0,0009978666, epoch 1977 and accuracy 80% which will then be used to make predictions.

 

Kata Kunci


Jaringan saraf tiruan; Back-propagation; Laba Rugi Komprehensif; Prediksi; Ekonomi; Arsitektur

Teks Lengkap:

PDF

Referensi


GUPTA, A., & SHREEVASTAVA, M. (2011). Medical Diagnosis using Back propagation Algorithm. International Journal of Emerging Technology and Advanced Engineering, 1(1), 55–58.

KASMIR. (2011). Analisis Laporan Keuangan. Jakarta: Raja Grafindo Persada.

MARLENI ANIKE, SUYOTO, & ERNAWATI. (2012). Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation (Studi Kasus: Regional X Cabang Palu). Seminar Nasional Teknologi Informasi Dan Komunikasi 2012 (SENTIKA 2012), 209–216.

MATONDANG, Z. A. (2013). Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Pelita Informatika Budi Darma, IV(1), 84–93.

MEDIANTO, A. A., & ALMILIA, L. S. (2014). Dampak laba rugi komprehensif, terhadap kinerja keuangan, ukuran perusahaan dan risiko perusahaan. Eprint Perbanas, 1–13.

RISWAN, & KESUMA, Y. F. (2014). Analisis Laporan Keuangan Sebagai Dasar Dalam Penilaian Kinerja Keuangan PT. Budi Satria Wahana Motor. Jurnal Akuntansi & Keuangan, 5(1), 93–121. Retrieved from https://media.neliti.com

SIREGAR, M. N. H. (2017). Neural Network Analysis With Backpropogation In Predicting Human Development Index ( HDI ) Component by Regency/City In North Sumatera. IJISTECH, 1(1), 22–33.

SOLIKHUN, WINDARTO, A. P., HANDRIZAL, & M.FAUZAN. (2017). Jaringan Saraf Tiruan Dalam Memprediksi Sukuk Negara Ritel Berdasarkan Kelompok Profesi Dengan Backpropogation Dalam Mendorong Laju Pertumbuhan Ekonomi. Kumpulan jurnaL Ilmu Komputer (KLIK), 4(2), 184–197.

SUMIJAN, WINDARTO, A. P., MUHAMMAD, A., & BUDIHARJO. (2016). Implementation of Neural Networks in Predicting the Understanding Level of Students Subject. International Journal of Software Engineering and Its Applications, 10(10), 189–204. Retrieved from http://dx.doi.org/10.14257/ijseia.2016.10.10.18

WAHYU, R. P. S., & PRAPTOYO, S. (2014). Penyajian dan komponen other comprehensive income. Jurnal Ilmu & Riset Akuntansi, 3(12), 2014.

WINDARTO, A. P. (2017). Implementation of Data Mining on Rice Imports by Major Country of Origin Using Algorithm Using K-Means Clustering Method. International Journal of Artificial Intelligence Research, 1(2), 26–33. Retrieved from http://ijair.id/index.php/ijair/article/view/17

WINDARTO, A. P. (2017a). Implementasi Jst Dalam Menentukan Kelayakan Nasabah Pinjaman KUR Pada Bank Mandiri Mikro Serbelawan Dengan Metode Backpropogation. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 1(1), 12–23.

WINDARTO, A. P. (2017b). Implementasi metode topsis dan saw dalam memberikan reward pelanggan. Kumpulan jurnaL Ilmu Komputer (KLIK), 4(1), 88–101. Retrieved from http://klik.unlam.ac.id/index.php/klik/article/view/73

WURYANDARI, & AFRIANTO. (2012). Perbandingan Metode Jaringan Syaraf Tiruan Backpropogation dengan Learning Vector Quantization pada pengenalan wajah. Jurnal KOMPUTA, 11(1), 2012.




DOI: http://dx.doi.org/10.25126/jtiik.201854767