1. Tentang Penelitian yang bersangkutan.

a. Agus Perdana Windarto, Muhammad Ridwan Lubis, Solikhun(2018)

b. Masalah pokok adalah Informasi laporan keuangan merupakan unsur
penting bagi investor, kreditor dan pelaku bisnis lainnya. Informasi yang
dihasilkan laporan keuangan akan sangat bermanfaat bagi pengguna
laporan keuangan apabila informasi tersebut relevan dan bermanfaat
untuk pengambilan keputusan. Informasi yang tersaji dalam laporan
keuangan pada hakekatnya menyajikan keterangan, catatan atau
gambaran baik untuk keadaan masa lalu. Laporan keuangan merupakan
catatan mengenai informasi keuangan suatu perusahaan pada suatu
periode akuntansi yang dapat digunakan untuk menggambarkan kinerja
suatu perusahaan. Laporan keuangan perusahaan terdiri dari beberapa
komponen, salah satunya laporan laba rugi.

2. Tujuan yang hendak dicapai dari penelitian yang bersangkutan.

a. Penelitian ini bertujuan untuk membuat model arsitektur terbaik dengan
menggunakan Backpropogation dimana model ini nantinya dapat
dilakukan untuk membuat prediksi terhadap total laba rugi komprehensif.
b. Berhasil membuat prediksi terhadap total laba rugi sebesar 80 %.
c. Sifat Penelitian purposive research.

3. Kerangka pemikiran, teori yang mendukung penelitian yang bersangkutan.

a. Teori Algoritma Back-propagation, Arsitektur Back-propagation, dan
Neural Network.
b. Teori Neural Network.
c. Hipotesisnya adalah semakin kecil error minimum yang dihasilkan suatu
target, maka penentuan pola arsitektur taerbaik semakin bagus.
d. Algoritma Back-propagation, Arsitektur propagation, Laba rugi
komperhensif, pos laba komperhensif, dan komponen pendapatan
komperhensif lain.
4. Metode penelitian dan model yang hendak diuji selanjutnya dibuktikan.
a. PT. Bank Mandiri,Tbk (Januari– November 2016).Teknik survey
menggunakan data dari website Otoritas Jasa Keuangan
(www.ojk.go.id),teknik sampling menggunakan salah satu bank.
b. Data laba rugi komperhensif setiap bulan.
c. Metode Analisis menggunakan sistem pakar neural network.
d. Menggunakan model struktur neuron jaringan saraf tiruan dengan
menggunakan algoritma Back-propagation dan arsitektur Back-
propagation.

5. Hasil penelitian yang bersangkutan.

a. Deskripsi Jaringan saraf tiruan memiliki beberapa lapisan yaitu, lapisan
masukan, lapisan keluaran, dan beberapa lapsian tersembunyi serta
memiliki beberapa fasilitas dan kemampuan proses input data
pembelajaran untuk JST, proses pelatihan JST, dan prose pengujian dan
prediksi untuk JST.
b. Analisis Dari serangkaian uji coba yang dilakukan dengan 4 model
arsitektur yang diuji yakni 4-25-1; 4-50-1; 4-100-1 dan 4-50-75-1,
diperoleh model arsitektur terbaik 4-50-1 dengan Epochtraining = 1977,
Mean Square Error (MSE) sebesar 0,000997867 dengan tingkat
akurasi pengujian mencapai kebenaran 80%.

6. Keterbatasan dan kontribusi penelitian.

a. Kerangka pemikiran penelitian adalah dalam rangka mendorong laju
pertumbuhan ekonomi menjadi lebih tinggi, Pemerintah sangat
membutuhkan dukungan dari seluruh sektor atau bidang yang dapat
menambah income atau pendapatan pemerintah.Salah satunya dari sektor
perbankan.
 b. Neural Network adalah suatu metode komputasi yang meniru sistem
jaringan saraf biologis. Teori ini menggunakan elemen perhitungan
non-linier dasar yang disebut neuron yang diorganisasikan sebagai
jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf
manusia. Layaknya neuron biologi, Jaringan saraf tiruan juga merupakan
sistem yang bersifat “fault tolerant” dalam 2 hal. Pertama, dapat
mengenali sinyal input yang agak berbeda dari yang pernah diterima
sebelumnya.
c. Indicator data dan skala pengukuran mencakup pada data sample laba
rugi setiap bulan.
d. Pembahasan Untuk meningkatkan tingkat akurasi maka dibutuhkan data
pelatihan yang lebih kompleks dengan memberikan lebih banyak model
arsitektur.
e. Setelah dilakukan percobaan dalam proses pelatihan dan pengujian
sistem yang dilakukan dengan menggunakan software aplikasi Matlab
6.1, diperoleh hasil 4-50-1 merupakan model arsitektur terbaik dengan
Mean Square Error (MSE) sebesar 0,000997867.

7. Rencana kedepan adalah dari model arsitektur yang terpilih, hal ini dapat
dilanjutkan keproses prediksi untuk mengetahui akurasi berdasarkan data
yang sudah diperoleh.
1.Sri Herawati (2016) Data kunjungan Generalized Regression
wisatawan mancanegara Neural Network (GRNN)
setiap bulan dari 19 pintu memerlukan penentuan
masuk. tiga parameter yaitu
spread, fungsi aktivasi,
dan jumlah pola.
Konvergen jaringan akan
dilakukan sangat cepat,
karena jaringan tidak
memerlukan prosedur
iterasi. Nilai spread
optimal ditentukan
dengan trial dan error,
serta harus lebih kecil dari
jarak rata-rata antara
vector masukan [17].
Sementarafungsi aktivasi
biasanya menggunakan
fungsi sigmoid,
baik biner atau bipolar.

2.Donny Avianto (2016) Plat Nomor Kendaraan Arsitektur dari JST yang
digunakan pada penelitian
kali ini terdiri dari 1
lapisan input, 2 lapisan
tersembunyi, dan 1
lapisan output. Jumlah
node pada lapisan input
untuk kedua jaringan
sama yaitu 1025, yang
didapatkan dari dimensi
vektor karakter ditambah
satu node bias. Begitu
juga pada lapisan
tersembunyi jumlah node
yang digunakan pada JST
angka dan huruf sama
yaitu 30 node untuk
lapisan tersembunyi
 pertama dan 20 node
untuk lapisan tersembunyi
kedua.Namun lain halnya
pada lapisan output, yang
mana JST angka
membutuhkan 4 node
untuk mengenali 10
karakter angka (0-9),
sedangkan JST huruf
membutuhkan 5 node
untuk mengenali 26
karakter huruf (A-Z).

3. Aulia Yudha Prathama, PROSENTASE BOBOT Nilai prosentase pekerjaan

Akhmad Aminullah, PEKERJAAN DAN struktur tanah dan
dan Ashar Saputra ESTIMASI NILAI pondasi, perkerjaan beton
(2017). PEKERJAAN dan pelat lantai, pekerjaan
STRUKTUR PADA struktur atap terlebih
RUMAH SAKIT dahulu kita cari besaran
PRATAMA. nilainya dengan
pendekatan ANN. Ketiga
varibel tersebut kita
gunakan sebagai output
data awal yang dicari
sebagai variabel output
ANN, dengan input
varibel seperti: luas
bangunan, koefisien
gempa, kemiringan atap,
bentuk bangunan, jumlah
ruangan kamar rawat
inap, jenis material atap,
tinggi bangunan, jarak
bentang kolom
terpanjang, dan jarak
bentang kolom rata-
rata, sehingga output
awal ANN didapatlah
nilai pada variabel x3, x4,
dan x5.
4. Lugas Luqmanul Orang buta warna Akuisisi Pengetahuan
Hakim dan Buta Warna, Perancangan
Supatman(2018) Basis Pengetahuan,
Perancangan Database ,
dan Inferensi Pengetahuan
dengan Learning Vector
Quantization .