Perpustakaan Digital ITB

Perencanaan finansial yang berkualitas terlihat dari level akurasi yang tinggi antara angka hasil perencanaan dengan realisasinya. Dalam penerimaan negara, khususnya penerimaan negara bukan pajak (PNBP), perencanaan dengan analisa kualitatif menggunakan informasi parsial daripada analisis data menjadi salah satu masalah dalam proses existing. Selain itu, tingginya pengaruh variabel nondeterministik yang sifatnya sangat fleksibel seperti kebijakan internal unit kerja, kondisi politik atau faktor ekonomi global menjadi dasar perencanaan PNBP menggunakan metode aproksimasi dalam kalkulasi perencanaannya. Penelitian ini akan mem-propose salah satu metode dalam pembelajaran mesin yaitu jaringan syaraf tiruan (JST) sebagai salah satu solusi untuk kalkulasi angka aproksimasi prediksi PNBP yang direpresentasikan dalam bentuk model komputasi JST. Analisis difokuskan pada dua objek yaitu konsep data partisi–non partisi serta formula penentuan jumlah neuron pemroses (dari beberapa penelitian terkait) sebagai salah satu variabel dalam JST. Kedua konsep ini dikombinasi dan dikomparasi untuk menentukan model dengan prediksi paling akurat. Hasil akhir, kombinasi konsep data dengan partisi pada atribut K/L dengan 11 neuron pemroses menghasilkan angka prediksi error MSE = 0,00001551 sebagai model prediksi terbaik yang di-propose dalam studi kasus ini. Rata-rata persentase error prediksi penerimaan terhadap angka realisasi PNBP yang sebenarnya mengalami perbaikan signifikan dari angka error 58,07% dengan menggunakan metode lama menjadi 44,43% dengan menggunakan model yang di-propose.