Sebagai dampak dari industrialisasi global, bidang keuangan telah menjadi perhatian penting dalam arus ekonomi. Bidang keuangan meliputi penganggaran, pengelolaan kas, peramalan keuangan, kredit, analisis investasi, dan juga analisis bisnis modern yang diperlukan untuk mengadopsi teknologi yang sesuai dengan lingkungan global. Beberapa teknik yang banyak digunakan untuk menentukan kinerja operasional dan keuangan dari aktivitas bisnis seperti analisis laporan komparatif (misalnya, laba rugi komparatif dan analisis posisi keuangan), analisis tren, laporan arus dana, analisis ukuran umum, analisis rasio, dan arus kas.
Analisis arus kas sangat penting karena dapat digunakan untuk menentukan jumlah uang untuk menjalankan operasi bisnis dan menyelesaikan transaksi. Analisis ini termasuk mencatat sumber arus kas masuk dan penggunaan arus kas keluar selama periode tertentu seperti aset tunai, aset dekat kas, kewajiban lancar, dan wesel tagih. Secara umum metode peramalan dalam prediksi kas menggunakan analisis runtun waktu yang membuat model dengan menangkap pola pada data historis dan mengekstrapolasi pola tersebut ke masa yang akan datang. Ada beberapa model peramalan deret waktu seperti model deret waktu linier, regresi, dan exponential smoothing. Namun, model-model tersebut memiliki keterbatasan, salah satunya terkait asumsi-asumsi yang harus dipenuhi.
Baru-baru ini, algoritma kecerdasan buatan juga telah menarik banyak peneliti dan diterapkan secara luas dalam model peramalan di banyak bidang seperti teknik, sosial, bisnis, keuangan, masalah stok, dan prediksi cuaca. Untuk membangun model menggunakan jaringan syaraf tiruan (JST) tidak perlu memenuhi asumsi dasar apapun dan dapat menangkap pola nonlinier. Selain itu, JST memiliki mekanisme pembelajaran pada proses pelatihan untuk meminimalkan error. Hal ini menjadi salah satu keunggulan utama dari algoritma ini untuk menggeneralisasi prediksi hasil berdasarkan data historis dan menguraikan bagian laten antara pasangan input-output.
Dalam publikasi ini, perbandingan antara JST dan pemodelan parametrik klasik (fungsi transfer multi-input) dipelajari untuk analisis arus kas di Bank Rakyat Indonesia (BRI). Selain itu, kebaruan penelitian ini juga dengan dimasukkannya empat variabel dummy yaitu, i) urutan hari (1 sampai 30), ii) hari kerja (1 sampai 7), iii) hari libur (0 atau 1), dan iv) bulan (1 sampai 12). Tingkat kepentingan variabel independen dan variabel dummy yang diuji menggunakan uji signifikansi dipaparkam di sini. Selain itu, model optimal yang dihasilkan oleh algoritma juga dilaporkan.
Dataset keuangan dibagi menjadi 70 persen pelatihan (training) dan 30 persen pengujian (testing) untuk kedua jenis model. Berdasarkan hasil tersebut, model jaringan syaraf tiruan memberikan prediksi yang lebih baik dengan pencapaian root mean square error (RMSE) masing-masing sebesar 0,264897 dan 0,2951116 untuk pelatihan dan pengujian.
Penulis:
Anifatul Faricha, Siti Maghfirotul Ulyah, Rika Susanti, Hawwin Mardhiana, Muhammad Achirul Nanda, Ilma Amira Rahmayanti, Christopher Andreas
Judul artikel:
Comparison study of transfer function and artificial neural network for cash flow analysis at Bank Rakyat Indonesia
Link:
https://ijece.iaescore.com/index.php/IJECE/article/view/28589
