ARTIFICAL

NEURAL KELOMPOK 10

NETWORK 1. Ayu Try Astuti

(14312499)
(ANN) FOR 2. Qorry Aini Hani
(14312500)
ACCOUNTING 3. Esthi Istiqomah
(14312504)
 PENGERTIAN ANN
 Neural Network merupakan kategori ilmu Soft Computing.
 Neural Network sebenarnya mengadopsi dari kemampuan
otak manusia yang mampu memberikan stimulasi/rangsangan,
melakukan proses, dan memberikan output.
 Output diperoleh dari variasi stimulasi dan proses yang terjadi di
dalam otak manusia. Kemampuan manusia dalam memproses
informasi merupakan hasil kompleksitas proses di dalam otak.
 Misalnya, yang terjadi pada anak-anak, mereka mampu
belajar untuk melakukan pengenalan meskipun mereka tidak
mengetahui algoritma apa yang digunakan. Kekuatan
komputasi yang luar biasa dari otak manusia ini merupakan
sebuah keunggulan di dalam kajian ilmu pengetahuan.
FUNGSI NEURAL NETWORK
Fungsi dari Neural Network diantaranya adalah:
 1. Pengklasifikasian pola
 2. Memetakan pola yang didapat dari input
ke dalam pola baru pada output
 3. Penyimpan pola yang akan dipanggil
kembali
 4. Memetakan pola-pola yang sejenis
 5. Pengoptimasi permasalahan
 6. Prediksi
 FITUR ANN
1) Non-Linear
2) Kesalahan Toleransi
3) Pelatihan
4) Pembelajaran
5) Generalisasi
6) Memory
MODEL ANN
 Keuntungan dan Kerugian
ANN
Kelebihan :

 1. Mampu mengakuisisi pengetahuan walau tidak ada kepastian

 2. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
 3. ANN dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan
belajar (self organizing)
 4. Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja
 5. Kemampuan perhitungan secara paralel sehingga proses lebih singkat

Kelemahan :

 1. Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi
 2. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis
 3. Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk
jumlah data yang besar
 Kemampuan ANN

 1. Klasifikasi: memilih suatu input data ke dalam

kategori tertentu yang sudah ditetapkan

 2. Asosiasi: menggambarkan suatu obyek secara

keseluruhan hanya dengan bagian dari obyek
lain

 3. Self organizing: kemampuan mengolah data-

data input tanpa harus mempunyai target

 4. Optimasi: menemukan suatu jawaban terbaik

sehingga mampu meminimalisasi fungsi biaya
Penyulingan Ohlson Model untuk Menilai
Saham Bank- Pendekatan Artifical Neural
Network
Studi ini melakukan dan membandingkan akurasi model
Sederhana Ohlson dan model Refined Ohlson menggunakan
Artificial Neural Network (ANN) untuk menilai saham bank.
akurasi prediksi prosedur pengukuran yang digunakan untuk
membandingkan kinerja model ini. Penelitian ini juga berfokus
pada membandingkan kekuatan prediksi dari Sederhana Ohlson
Model & Refined Ohlson Model (menggunakanJST)
menggunakan koefisien determinasi. Hasil dari prediksi dibahas
untuk mengetahui kekuatan Artificial Neural Network . Hasil
dukungan analisis empiris bahwa model Refined Ohlson
menggunakan ANN dapat digunakan sebagai alat penilaian
untuk memberikan estimasi yang lebih baik dan lebih akurat dari
harga saham ekuitas bank.
 Dalam tulisan ini, dua teknik untuk pemodelan dan peramalan
harga pasar saham telah terbukti: Model Sederhana Ohlson dan
model Refined Ohlson menggunakan Artificial Neural Network.
Kemampuan peramalan model dinilai atas dasar MAPE dan BIAS.
ANNs dapat digunakan secara alami dalam memprediksi tren
pasar saham. Dalam kondisi normal, dalam banyak kasus, jaringan
saraf yang baik akan mengungguli sebagian besar model prediksi
lain dan menjadi bantuan yang sangat berharga dan berpotensi
menguntungkan bagi investor. Namun, kesulitan dalam
mengidentifikasi data mentah yang baik, pra-pengolahan data ini,
pelatihan jaringan dan mengulangi proses ini sampai model yang
baik dikembangkan seharusnya tidak diabaikan. Terlepas dari
ANNs output di Refined Ohlson Model, pengguna harus selalu
melakukan due diligence mereka sebelum berinvestasi di saham
bank investasi.
 Perbandingan model jaringan dan
logistik regresi dalam prediksi kebangkrutan
perusahaan
 ANN adalah alat besar untuk mendeteksi pola
klasifikasi menggunakan pembelajaran non-
linear, non-parametrik dan sinkronis. Penelitian
baru juga telah mengungkapkan bahwa model
ANN telah digunakan untuk memecahkan
berbagai masalah keuangan, seperti
memprediksi kebangkrutan dan sebagainya.
 Dan akhirnya model prediksi ANN dikenal
sebagai salah satu teknik dan model terbaik
yang memprediksi kondisi masa depan
perusahaan dan perkiraan kebangkrutan
dengan menerapkan kombinasi dari beberapa
rasio keuangan.
 Bidang aplikasi untuk jaringan
syaraf tiruan
 Statistik dan Ekonomi: ANNs telah digunakan dalam statistik dan
ekonomi sejak estimasi pada time series yang sering digunakan dalam
klasifikasi. investor perusahaan melakukan transaksi di pasar saham
dunia dan terutama di Wall Street baru-baru ini difokuskan pada
pelaksanaan kecerdasan buatan (AI) dan teknik AI untuk portofolio
mereka sendiri dan untuk estimasi pada kecenderungan umum
ekonomi serta indikator dasar. software berbasis AI yang digunakan
dalam perencanaan investasi terus diklasifikasikan oleh instansi terkait
kebanyakan.

 Asuransi dan Keuangan: Di sektor perbankan, dapat digunakan untuk

mengembangkan aplikasi kredit, untuk analisis pelanggan, untuk
penilaian aplikasi kredit, dan untuk estimasi investasi anggaran. Selain
itu, juga digunakan untuk optimasi produk, pengembangan kebijakan
aplikasi, penilaian, analisis kinerja pasar, perkiraan anggaran,
penargetan, dan metode estimasi
VIDEO
 VIDEO
Terimakasih…