APLIKASI METODE REGRESILINIER BERGANDA DAN JARINGAN SYARAF TIRUAN UNTUK MEMREDIKSI KINERJA USAHA MIKRO DAN KECIL. Adi Kuswanto

3rd Economics & Business Research Festival 13 November 2014

ISBN: 978-979-3775-55-5

APLIKASI METODE REGRESILINIER BERGANDA DAN JARINGAN SYARAF TIRUAN UNTUK MEMREDIKSI KINERJA USAHA MIKRO DAN KECIL

Adi Kuswanto Fakultas Ekonomi Universitas Gunadamia kuswanto® staff.gunadaima.ac.id Sudarsono Fakultas Ekonomi Universitas Gunadarma kai-ebet215 @ yahoo.com Radi Sahara Fakultas Ekonomi Universitas Gunadarma [email protected]

ABSTRACT An increasing number of population each year always increase the number of labor force and job demand. This is the main task of the government as the main role and societies to actively participate in the development. Establishment and development of micro and small enterprises become one solution. Ability of societes to establish and expand these enterprises must obtain government support. One of the forms of government support is training for their managers/owners in order to increase their performance. The effect of training on the performance can be analyzed by multiple regression, classification and decision trees, neural networks, and so on. This study aims to compare the artificial neural network and multiple linear regression to predict the performance of these enterprises by considering implementation of the training and implementation of the training outcomes with sample of 60 units. The comparison of the prediction accuracy rate of these methods use mean absolute error (MAE), mean absolute percentage error (MAPE), and mean square error (MSB). The results of this study shows that multiple linear regression method produces higher accuracy rate for predicting the performance of micro and small enterprises than artificial neural network method. Keywords: Artificial Neural Network, Multiple Linear Regression, Implementation of Training, Implementation of Training Output, Performance.

PENDAHULUAN Pertambahan jumlah penduduk telah menyebabkan peningkatan jumlah angkatan kerja setiap tahun. Hal ini dialami oleh setiap negara dan menjadi persoalan yang memerlukan penanganan yang serius. Kemungkinan akibat dari penanganan yang tidak terencana adalah penambahan jumlah pengangguran, penambahan jumlah kemiskikan, dan peningkatan anak yang tidak sekolah. Kondisi ini memunculkan masalah sosial seperti peningkatan jumlah kriminal dimasyarakat dan kenakalan anak-anak dan remaja, peningkatan jumlah anak jalanan dan tingkat kesehatan masyarakat yang menurun. Untuk itu pemerintah harus menyusun perencanaan yang terintegrasi, sistematis dan berkelanjutan dalam mengatasi masalah sosial yang terjadi dengan menyediakan: sarana pendidikan, lapangan pekerjaan, dan sarana kesehatan, dan sarana sosial lainnya. Selama ini, pemerintah telah berusaha untuk menyediakan fasilitas-fasilitas tersebut setiap tahun, namun keterbatasan kemampuan pemerintah baik dalam hal dana maupun sumber daya manusia telah menyebabkan usaha pemerintah tidak sesuai dengan yang diharapkan. Untuk meningkatkan jumlah fasilitas-fasilitas tersebut,

:

m m W r-SS*

Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

ISBN: 978-979-3775-55-5


pemerintah memberikan kesempatan kepada masyarakat untuk berpartisipasi dalam penyediaan sarana pendidikan dan lapangan pekerjaan. Walaupun ada peningkatan dana setiap tahun untuk menambah sarana tersebut, tapi masih belum bisa memenuhi harapan, karena penambahan jumlah penduduk selalu melebihi sumber dana yang ada di pemerintah. Dalam hal penyediaan sarana pendidikan dan lapangan pekerjaan, pemerintah tidak menyerahkan sepenuhnya kepada masyarakat. Khusus untuk penciptaan lapangan pekerjaan sendiri oleh masyarakat, pemerintah tetap melakukan intervensi melalui penetapan peraturan perundangan agar dalam kegiatan tersebut dapat berjalan sesuai dengan tujuan yang telah ditetapkan. Selain itu, pemerintah juga memberikan dukungan dalam bentuk bantuan dana dan pelatihan serta dukungan yang lain. Bantuan dana yang berasal dari pemerintah dalam bentuk hibah dan pinjaman lunak kepada pengusaha mikro, kecil, dan masyarakat yang akan berwirausaha. Dana tersebut berasal darn APBN dan sebagian keuntungan dari BUMN. Dukungan dana juga berasal dari industri perbankan dalam bentuk pinjaman modal kerja bagi usaha mikro dan kecil yang telah diwajibkan oleh pemerintah melalui penetapan undang-undang nomor 10 tahun 1998. Pendirian dan pengembangan perusahaan mikro dan kecil disetiap negara telah menjadi solusi terbaik untuk mengurangi tingkat pengangguran. Hal ini sejalan dengan penelitian Jan de Kok et al. (2011) yang menyatakan bahwa Di Uni Eropa, tahun 2010 ada lebih 20,8 juta perusahaan yang beroperasi di sektor bisnis nonfinansial dimana 99,7 persennya adalah perusahaan kecil dan menengah. Jumlah perusahaan mikro dengan pekerja kurang dari 10 orang adalah 92 persen dari total sektor bisnis. Untuk sektor nonfinansial, perusahaan kecil dan menengah memiliki proporsi sebanyak 67 persen, perusahaan mikro sebanyak 30 persen, dan perusahaan besar sebanyak 17 persen. Hasil penelitian mereka menunjukkan bahwa perusahaan kecil dan menengah menyediakan banyak lapangan kerja, memberikan kemakmuran dan meningkatkan pertumbuhan ekonomi di Uni Eropa. Untuk dapat menumbrthkengembangkan perusahaan-perusahaan ini, maka perlu diidentifikasi faktor-faktor yang memengaruhi keberhasilannya. Faktor-faktor tersebut antara lain: kepemilikan jiwa kewirausahaan; pendidikan dan pelatihan; modal; pengetahuan; dukungan pemerintah dan lembaga akademik; teknologi dan sebagainya. Pelatihan terhadap pengelola perusahaan mikro dan kecil ini merupakan salah satu faktor yang sangat penting, karena pelatihan ini menjadi salah satu sumber untuk menambah pengetahuan dan keterampilan dalam kaitannya dengan pengelolaan perusahaan untuk meningkatkan kinerja. Glaub et al. (2011) yang menelaah hasil-hasil penelitian berkaitan dengan pelatihan yang dilakukan dincgara-ncgara berkembang. Mereka menyimpulkan bahwa program pelatihan kewirausahaan berpengaruh positif terhadap kinerja wirausahawan. Keberhasilan perusahaan mikro dan kecil juga dapat dilihat dari faktor eksternal dan internal. Faktor eksternal merupakan faktor yang tidak dapat dikendalikan oleh perusahaan seperti ekonomi, sosial, teknologi, politik dan sebagainya. Faktor internal merupakan faktor yang dapat dikendalikan oleh perusahaan seperti kualitas produk, harga produk, pelatihan dan sebagainya. Pelatihan kepada pengusaha mikro dan kecil dapat dilakukan dengan dana internal (perusahaan) maupun dana dari pihak eksternal seperti bantuan pemerintah dan atau lembaga lain. Keberhasilan pelatihan tersebut dipengaruhi oleh waktu pelatihan, kebutuhan dan jumlah peserta pelatihan, jumlah pelatih, pengalaman pelatih, kompetensi pelatih (berkomunikasi, penguasaan mated, presentasi), kualitas materi pelatihan dan sebagainya (Corporate Finks Fimited, 2010). Hasil evaluasi pelatihan kewirausahaan oleh corporate Finks Ftd yang merupakan konsultan dari Uganda Investment Authority melaporkan bahwa wirausahawan yang telah dilatih menunjukkan manajemen binis yang lebih baik, memperoleh akses kredit dan akhirnya meningkatkan kinerja perusahaan. Dalam menganalisis berbagai permasalahan ekonomi, marketing, finance, accounting, sumber daya manusia, perilaku organisasi dan bidang-bidang lain, peneliti sering menggunakan metode Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

56

ISBN: 978-979-3775-55-5


statistik seperti analisis regresi, analisis multivariate, teori Bayesian, pengenalan pola, dan model pendekatan kuadrat terkecil (Buntine dan Weigend, 1991 dalam Razi dan Kuriakose, 2005). Selling dengan perkembangan ilmu pengetahuan dan teknologi, metode analisis yang akhir-akhir ini banyak digunakan untuk bidang-bidang tersebut adalah metode jaringan syaraf tiruan. Dengan memperhatikan keunggulan dan kelemahan kedua metode tersebut, kemudian banyak peneliti yang memperbandingkan kedua metode analisis tersebut. Metode statistik yang digunakan untuk menganalisis bidang: (a) marketing seperti ketika 3+3 tidak sama dengan 5+1 - pandangan baru dalam pengukuran kepuasan konsumen industri (Austen et al., 2012), pembangunan komitmen konsumen dalam pasar indutsri (Chang et al., 2012), kekuatan marketing dalam perusahaan: kontribusinya terhadap kinerja bisnis dan pengaruhnya kekuatan yang tidak simetris. (Auh dan Omar, 2012), dan pengaruh motivasi pembelian komersial sosial terhadap intense pembelian (Zhang et al., 2013); (b) accounting seperti perbaikan kualitas earning: pengaruh insentif pelaporan dan standar akuntansi (Watrin dan Robert, 2012), corporate governance, manajemen laba, dan IFRS: bukti empiris dari perusahaan publik domestik di China (Wang dan Michael, 2012), dan pengaruh bantuan keputusan pada penghindaran risiko dalam keputusan investasi modal (Iyer et al., 2012); (c) organizational behavior seperti apakah kadang-kadang lebih baik menerima daripada member? kecenderuangan bagi peran penerima diatas peran pemberi dalam ultimatum perilaku konsumen (Conlon et al. 2012), pemahaman intense perilaku untuk melaporkan praktik teknologi informasi yang tidak etis: peran machiavellianism, jenis kelamin, dan keahlian komputer (Stylianou et al. 2013), dan pengenalan epistemology pada etika bisnis: studi pada manajer menengah bidang marketing (Rawwas et al., 2013). Demikian juga dengan metode jaringan syaraf tiruan yang banyak digunakan untuk menganalisis bidang: (a) business seperti jaringan syaraf tiruan dalam bisnis: teknik dan aplikasi untuk peneliti riset operasional (Smith dan Jatinder, 2000), aplikasi jaringan syaraf tiruan dalam manajemen (Hakimpoor et al., 2011), dan permodelan jaringan syaraf terhadap situasi bisnis dan analisis pengambilan keputusan (Yu dan Kniga, 2005); (b) marketing seperti perbaikan model prediksi jaringan syaraf dan aplikasinya pada rantai penyediaan (Dong dan Wen, 2006), peramalan dan analisis data marketing dengan menggunakan jaringan syaraf (Yao et al., 1998), dan perspektif baru dalam jaringan syaraf: suatu aplikasi pada masalah marketing management (Kim dan Ahn, 2009); (c) finance seperti aplikasi jaringan syaraf pada pasar- finansial sedang berkembang: prediksi dan perdagangan indeks saham Taiwan (Chen et al., 2003), penerapan jaringan syaraf tipe GMDH dan algoritma genetika untuk prediksi harga saham sektor semen di Iran (Fallahi et al., 2011), dan penerapan jaringan syaraf untuk keputusan pemberian pinjaman pada sistem perbankan komersial Jordania (Shorouq dan dan Saad, 2010). Penelitian-penelitan yang membandingkan antara metode statistik dan jaringan syaraf tiruan untuk berbagai bidang seperti analisis perbandingan prediksi antara model jaringan syaraf tiruan, regresi non linier, dan klasifikasi dan pohon regresi (Razi dan Kuriakose, 2005), perbandingan analisis jaringan syaraf dan regresi berganda dalam permodelan struktur modal (pao, 2008), dan jaringan syaraf tiruan versus regresi linier berganda untuk memprediks rasio P/B dari data empiris (Brey, 1996).

RUMUSAN MASALAH Banyak faktor yang mempengaruhi keberhasilan perusahaan mikro dan kecil. Salah satu faktor yang mempengaruhinya adalah pelatihan yang diberikan oleh badan usaha milik negara yang memberikan pinjaman lunak kepada mereka. Keberhasilan pelatihan dipengaruhi oleh banyak faktor. Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

57

ISBN: 978-979-3775-55-5


Dalam menganalisis faktor-faktor tersebut, banyak peneliti yang menggunakan metode statistik dan metode janngan syaraf tiruan yang merupakan metode terkini. Metode statistik memberikan kinerja yang lebih baik untuk jumlah sampel yang lebih kecil dan teori mendukung hubungan antara variable terikat dan variable bebas. Kinerja metode jaringan syaraf tiruan bergantung kepada jumlah data. Semakin besar jumlah datanya, maka metode ini memberikan kinerja yang meningkat (Razi dan Kuriakose, 2005). Penelitian ini menggunakan metode analisis jaringan syaraf tiruan dan metode regresi linier berganda untuk memrediksi kinerja perusahaan mikro dan kecil. Rumusan penelitian ini adalah dengan memasukan variable pelaksanaan pelatihan dan implementasi basil penelitian, apakah metode jaringan syaraf tiruan memberikan tingkat prediksi yang lebih akurat dibandingkan dengan metode statistik terhadap kinerja perusahaan mikro dan kecil?. Dengan demikian, maka penelitian ini bertujuan untuk membandingkan metode analisis jaringan syaraf tiruan dan metode regresi linier berganda untuk memrediksi kinerja perusahaan mikro dan kecil dengan memasukkan variabel pelaksanaan pelatihan dan implementasi basil pelatihan perusahaan mikro dan kecil. Manfaat Penelitian Manfaat penelitian ini adalah secara akademis untuk memperkuat bukti empiris mengenai penggunaan metode jaringan syaraf tiruan dan metode statistik dengan terpenuhi asumsi masingmasing dalam menganalisis faktor-faktor yang mempengaruhi kinerja perusahaan mikro dan kecil.

KAJIAN PUSTAKA DAN PENGEMBANGAN HIPOTESIS. Dalam pelaksanaan pelatihan, maka materi bisnis merupakan salah satu bidang yang harus dikuasai oleh pengusaha perusahaan mikro dan kecil, karena dengan pengetahuan ini, pengusaha dapat memahami metode-metode dalam mengelola bisnis. Pengetahuan bisnis ini mencakup konsumen; strategi bisnis; pesaing; pasar; produk; harga; operasional bisnis, dan pengelolaan finansial. Karian et al. (2011) mengemukakan basil penelitiannya bahwa pelatihan bisnis terhadap nasabah finansial mikro tidak membrrktikan perubahan pendapatan, laba atarr penambahan karyawan. Namun demikian, penelitian mereka menunjukkan bahwa pelatihan bisnis kepada mereka telah meningkatkan pengetahuan bisnis dan tingkat retensi nasabah bagi lembaga finansial mikro. Khan (2011) yang meneliti mengenai pengaruh training and development, on the job training, training design and delivery style terhadap kinerja organisasi. Mereka menyimpulkan bahwa pengaruh training and development, on the job training, training design and delivery style berpengaruh secara positif terhadap kinerja organisasi. Perancangan pelatihan juga berperan penting bagi karyawan dan kinerja organisasi. Suatu pelatihan yang tidak dirancang dengan baik, maka pelatihan bagi karyawan tidak akan menghasilkan peningkatan pengetahuan bahkan tidak meningkatkan kinerja organisasi, kecuali hanya membuang uang secara sia-sia. ((Tsaur dan Lin, 2004) Dalam mengelola perusahaan, para pengusaha kecil tidak terlepas dari pengambilan keputusan finansial yang penting yang mencakup keputusan terhadap sumber dana, keputusan terhadap investasi, dan keputusan terhadap operasi perusahaan. Oleh karena itu pengetahuan terhadap finansial menjadi penting. Pengusaha juga dapat mengukur dan mengetahui kinerja perusahaan dengan memahami bidang finansial ini. Kemampuan yang rendah bidang finansial telah menyebabkan ketidaktahuan penduduk USA mengenai pentingnya tabungan dan pengambilan keputusan yang buruk dalam melakukan pinjaman (Lusardi et ah, 2009) dan pengetahuan finansial yang rendah ini ditemukan di India dan Indonesia yang telah menyebabkan pembuatan keputusan finansial dan Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

58

ISBN: 978-979-3775-55-5


kesejahteraan yang buruk (Cole et ak, 2009). Greg et al. (2010) meneliti mengenai literasi finansial dan peraturan dan pengalaman kepada 400 orang. Mereka menyimpulkan bahwa pelatihan finansial menghasilkan perbaikan yang berarti dalam praktik-praktik dan kinerja bisnis. Field et al. (2010) mengeksplor terhadap agama tradisional dan lembaga kasta di India yang telah membatasi perilaku wanita dalam berbisnis. Mereka menyimpulkan pelatihan terhadap wanita Hindu telah meningkatkan jumlah peminjaman dan pendapatan usaha, tapi wanita muslim telah gagal memperoleh manfaat dari progr am pelatihan. Yahya et al. (2012) meneliti mengenai pengaruh training terhadap kinerja perusahaan kecil dan menengah dengan perusahaan kecil dan menengah di Malaysia berdasarkan perspektif manajer, karaktcristik perusahaan dan karakteristik eksternal. Mereka menyimpulkan bahwa karaktcristik manajer, perusahaan, dan eksternal berpangaruh positif terhadap kinerja perusahaan kecil dan menengah. Sedemikian pentingnya sektor usaha mikro dan kecil, pemerintah Kenya mengembangkan program strategi dan promosi untuk usaha mikro dan kecil. Salah satu cara untuk mengembangkan usaha ini adalah dengan program pelatihan kewirausahaan. Kithae et al. (2013) yang meneliti pengaruh program pelatihan kewirausahaan terhadap kinerjanya di negara ini menyimpulkan bahwa program pelatihan kewirausahaan berpengaruh secara substansial kinerja para wirausahawan. Hal yang penting dalam penelitian tersebut adalah (a) memonitor secara terus menerus proses perubahan dari keahlian secara teori menjadi keahlian dalam implementasinya pada pengelolaan usaha mikro dan kecil; (b) bantuan finansial bagi peserta program pelatihan untuk menambah modal usahanya. Kesimpulan dari berbagai penelitian tersebut adalah program pelatihan yang dirancang dengan baik dan diberikan kepada pengelola usaha mikro dan kecil untuk bidang finansial, bisnis, dan kewirausahaan akan memengaruhi kinerja. Pada masa lalu dan sampai saat ini banyak peneliti yang menggunakan metode statistik sebagai metode analisis dalam berbagai bidang penelitian. Penggunaan metode ini harus memenuhi persyaratan-persyaratan yang telah ditentukan. Akhir-akhir ini banyak peneliti menggunakan model jaringan syaraf tiruan sebagai metode yang lebih baru dan menjadi alternatif untuk menganalisis berbagai permasalahan. Warmer dan Manavendra (1996) menyatakan bahwa neural network telah digunakan untuk prediksi dan klasifikasi seperti penggunaan metode regresi dan teknik statistik lainnya. Mereka membandingkan kinerja analisis regresi dan kinerja analisis jaringan syaraf dengan menggunakan jumlah data yang besar. Mereka menyimpulkan bahwa jaringan syaraf dapat digunakan untuk memodelkan bentuk fungsi yang kompleks. Brey et al. (1996) membandingkan metode regresi linier berganda dan metode jaringan syaraf tiruan untuk memrediksi production/biomass (P/B) ratio pada populasi binatang. Kesimpulan mereka adalah metode jaringan syaraf tiruan memberikan tingkat akurasi prediksi yang lebih baik dari metode regresi linier berganda. Bahkan Smith & Mason (1997) menyatakan bahwa dalam literature, metode regresi dan jaringan syaraf telah menjadi metode untuk mengembangkan model yang saling bersaing. Berbagai penelitian telah dilakukan dengan menggunakan baik model regresi linier berganda dan model jaringan syaraf tiruan. Shachmurove (2008) mengemukakan bahwa emulative neural networks (ENN) adalah anggota keluarga teknik statistik seperti model regresi nonlinier fleksibel, model diskriminan, model reduksi data, dan sistem dinamik nonlinier. ENN ini merupakan alat analisis yang dapat dilatih yang berupaya untuk meniru pola pemrosesan informasi seperti dalam otak dan tidak memeriukan asumsi mengenai distribusi populasi. Bandyopadhyay dan Chattopadhyay (2007) mengembangkan model jaringan syaraf tiruan untuk memrediksi rata-rata konsentrasi ozon bulanan di Switzerland. Model jaringan syaraf tiruan Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

59

ISBN: 978-979-3775-55-5


lapisan tersembunyi tunggal dengan sejumlah variabel dikembangkan dan kinerjanya dievaluasi dengan menggunakan metode least squares dan error estimation. Kinerjanya diperbandingkan dengan model regresi linier berganda. Kesimpulan penelitian mereka adalah model lapisan tersembunyi tunggal dengan 8 simpul tersembunyi teridentifikasi sebagai model prediksi terbaik. Razi dan Kuriakose (2005) membandingkan tingkat akurasi dari 3 metode antara lain: metode regresi nonlinier; metode klasifikasi dan pohon regresi; dan metode jaringan syaraf tiruan untuk memrediksi jumlah hari dirawat dirumah sakit dengan memasukkan 35 variabel dengan sampel para perokok. Kesimpulan mereka menunjukkan bahwa metode jaringan syaraf tiruan dan metode klasifikasi dan pohon regresi menghasilkan tingkat akurasi prediksi yang lebih baik dari metode regresi nonlinier. Meskipun metode jaringan syaraf tiruan menghasilkan nilai mean absolute error, mean absolute percentage error dan mean squared error yang lebih rendah dari metode klasifikasi dan pohon regresi, tapi metode yang kedua memberikan nilai large prediction error yang lebih kecil. Saberi dan Rosnah (2010) memrediksi kinerja perusahaan yang mengimplementasikan teknologi tinggi pada proses manufaktur pada 140 perusahaan kecil dan menengah dengan memasukkan variabel penggunaan teknologi tinggi untuk manufaktur; penyesuaian metode; strategi computer terintegrasi; budaya; dan kinerja praktik sumber daya manusia. Mereka menyimpulkan bahwa model jaringan syaraf tiruan dapat mengklasifikasikan kedalam 3 kelas (kelas tinggi, rendah, dan sangat rendah) dengan tingkat akurasi sebesar 72 persen. Pao (2008) meneliti mengenai perbandingan metode jaringan syaraf tiruan dan metode regresi berganda untuk memrediksi struktur modal dengan menggunakan variabel bebas yang menyakup asset size; average sales growth rate over the previous two year; the earnings before interest and tax divided by total assets; fixed assets/total assets; ratio of depreciation, investment tax credit, and tax loss carry forward to total assets; dividend payout ratio; variance of the return on assets; rate of return of the overall stock market; annual growth rate; dan producers 'price index. Obyek penelitian ini dikelompokkan kedalam dua industri yakni kelompok industri berteknologi dan kelompok industri terteknologi tradisional. Kesimpulan penelitian ini adalah bahwa ada perbedaan determinan terhadap struktur modal untuk kedua industri. Perbedaan determinan yang utama adalah business risk dan growth opportunities. Dengan menggunakan RMSE, model jaringan syaraf tiruan menghasilkan tingkat ketepatan prediksi lebih baik daripada model regresi berganda. Elham dan Naser (2013) meneliti mengenai pernbandingan antara metode jaringan syaraf tiruan dan metode regresi linier berganda untuk memrediksi distribusi ukuran pori-pori tanah dengan memperhatikan variabel 8 karakteristik psikokemikal tanah, 22 karakteristik topografi dan NDIV. Kesimpulan penelitian mereka adalah metode regresi linier berganda dapat menjelaskan 31 sampai 60 persen variabilitas distribusi pori-pori tanah dan metode jaringan syaraf tiruan dapat menjelaskan 50 sampai 89 persen. Metode jaringan syaraf tiruan menghasilkan nilai RMSE dan MAE yang lebih rendah dari metode regresi linier berganda. Dengan demikian maka metode jaringan syaraf tiruan dapat menjelaskan variabilitas karakteristik tanah dengan tingkat efisiensi yang lebih tinggi. Kesimpulan dari basil-basil penelitian tersebut bahwa dalam keadaan tertentu, metode jaringan syaraf tiruan memberikan tingkat akurasi prediksi yang lebih baik dari metode statistik untuk menganalisis diberbagai bidang. Oleh karena itu, peneliti menyusun hipotesis dalam kaitannya dengan prediksi kinerja perusahaan mikro dan kecil sebagai berikut: HI: Metode jaringan syaraf tiruan memberikan basil prediksi yang lebih akurat terhadap kinerja perusahaan mikro dan kecil dibandingkan dengan metode regresi linier berganda.


60


ISBN: 978-979-3775-55-5 METODE PENELITIAN

Obyek penelitian ini adalah para pemilik/pengelola usaha mikro dan kecil yang bergerak pada sektor perdagangan dan jasa. Peneliti menyebarkan 90 kuesioner dan yang menjadi sampel penelitian disajikan dalam tabel berikut ini. Tabel 1 Jumlah Sampel Penelitian Target responden

90

Responden mengisi kuesioner dengan tidak lengkap

13

Data outlier

17

Jumlah sampel

60

Kuesioner dirancang dengan menggunakan skala likert. Variabel terikat dalam penelitian ini adalah kinerja perusahaan mikro dan kecil dan variabel bebasnya mencakup pelaksanaan pelatihan dan implementasi basil pelatihan perusahaan mikro dan kecil. Metode Regresi Liner Berganda dan Jaringan Syaraf Tiruan. Untuk menguji pengaruh antara kinerja perusahaan mikro dan kecil dan pelaksanaan pelatihan dan implementasi hasil pelatihan perusahaan, maka persamaan regresi berganda yang digunakan dalam penelitan ini disajikan sebagai berikut: Y„ =Po + piKP + fcKMP + e„ dimana: Yn = KP = KMP = e =

Kinerja perusahaan mikro dan kecil Pelaksanaan pelatihan Implementasi hasil pelatihan error (kesalahan)

Sarle (1994) menyatakan bahwa jaringan hubungan fungsional mengenalkan lapisan neuron tersembunyi, tapi masih ada satu lapisan bobot (timbangan) yang akan diestimasi. Jika modelnya menyakup estimasi bobot antara input dan lapisan tersembunyi, dan lapisan tersembunyi tersebut menggunakan fungsi aktivasi non-linier, maka modelnya menjadi non-linier dalam parameter dan model yang dihasilkan disebut dengan multilayer perceptron or MLP. Pao (2008) menyatakan bahwa jaringan syaraf back-propagation terdiri dari satu lapisan input (an input layer), satu lapisan output (an output layer) dan satu atau lebih lapisan intervening (intervening layers) yang disebut dengan lapisan tersembunyi (hidden layers). Setiap lapisan terdiri dari berbagai neuron yang terhubung dengan neuron dalam lapisan-lapisan yang bersebelahan. Jaringan syaraf dapat dilatih dengan menggunakan data historis perusahaan untuk menangkap karaktcristiknya. Proses untuk meminimisasi error (kesalahan) prediksi akan sccara iteratif menyesuaikan parameter-parameter model. Penelitian ini menggunakan beberapa ukuran error (kesalahan) yang digunakan oleh Swanson et al. (2011) untuk mengukur tingkat akurasi dalam prediksi antara lain: a) Mean Absolute Error (MAE) = (S|E|)/n) b) Mean Absolute Percentage Error (MAPE) = (S|PE|)/n c) Mean Square Error (MSE) = (EE2) / n; Tingkat ketepatan prediksi yang digunakan dalam penelitian ini adalah 1 - (S|E|)/n). m

m



ISBN: 978-979-3775-55-5

Untuk menguji hipotesis yang menyatakan bahwa basil prediksi dengan metode janngan syaraf tiruan lebih akurat dan metode regresi linier berganda, maka peneliti menggunakan uji t beipasangan sebagai berikut:

•Jn n d D Sd d

= Jumlah pasangan = Selisih sampel dalam pasangan = Rata-rata selisih populasi = Deviasi standar selisih sampel = Rata-rata selisih sampel

PEMBAHASAN Statistik diskriptif penelitian ini disajikan pada table berikut ini.

Tabel 2 Statistik Diskriptif N

Minimum

Maximum

Mean

XI

60

X2

60

Y

60

Valid N (listwise)

60

Std. Deviation Variance

1.00

5.00

2.8940

.89741

0.805

1.00

4.64

2.2619

.85124

0.725

2.00

5.00

3.3267

.63242

0.400

Hasil regresi berganda untuk mengetahui pengaruh pelaksanaan pelatihan dan implementasi hasil pelatihan disajikan pada table berikut ini. Tabel 3 Hasil Regresi Berganda Model

R

1

0.554"

R Square

Adjusted R Square

0.307

Std. Error of the Estimate

0.282

0.53571

a. Predictors: (Constant), X2, XI ANOVAb Sum of Squares

Model 1

Regression

Mean Square

df

7.239

2

3.619

Residual

16.358

57

0.287

Total

23.597

59

F 12.612

Sig. 0.000a

a. Predictors; (Constant), X2, XI b. Dependent Variable; Y Coefficients3

m

m



ISBN: 978-979-3775-55-5 Unstandardized Coefficients B

Model 1

Standardized Coefficients

Std. Error

(Constant)

2.219

0.237

XI

0.209

0.114

X2

0.222

0.120

Beta

t

Sig.

9.349

0.000

0.297

1.841

0.071*)

0.299

1.856

0.069*)

a. Dependent Variable; Y *) Signifikan pada a=10%

Hasil pemrosesan data dengan menggunakan jaringan syaraf tiruan disajikan pada gambar dan tabel Synaptic Weight > 0 - Synaptic Weight < 0

Hidden layer activation function: Hyperbolic tangent Output layer activation function: Identity berikut ini. Gambar 1 Diagram Jaringan

Tabel 4 Estimasi Parameter Predicted Output Hidden Layer 1 Predictor Input Layer

H(l:l)

H(l:2)

(Bias)

.217

-.025

XI

.461

.527

X2

.264

-.235

Layer Y

Hidden Layer 1 (Bias)

-.029

H(l:l)

.606

H(l:2)

.192


r

63


ISBN: 978-979-3775-55-5

Bcrdasarkan persamaan regresi linier berganda dan estimas parameter jaringan syaraf tiruan, maka dengan menggunakan bantuan perangkat lunak SPSS 16, maka dilakukan prediksi nilai kinerja perusahaan untuk kedua metode tersebut. Hasil prediksi nilai kinerja perusahaan dibandingkan dengan nilai observasi untuk menentukan mean absolute error (MAE), mean Absolute Percentage Error (MAPE), dan mean square error (MSE) dengan hasil disajikan pada tabel 5 berikut ini. Tabel 5 Perbandingan MAE, MAPE, dan MSE antara Matode Jaringan Syaraf Tiruan dengan Metode Regresi Linier Berganda

Jaringan Syaraf Tiruan

Regresi Linier Ber ganda

MAE

MAPE

MSE

MAE

MAPE

MSE

0.4530

1.0352

0.3013

0.4503

1.0259

0.2726

Tabel 4 menjelaskan bahwa nilai MAE, MAPE, dan MSE untuk metode jaringan syaraf tiruan lebih tinggi dari metode regresi linier berganda. Hal ini menunjukkan bahwa tingkat akurasi prediksi kinerja perusahaan mikro dan kecil dengan menggunakan metode regresi liner berganda lebih tinggi daripada metode jaringan syaraf tiruan. Hasil penelitian ini mendukung penelitian Razi dan Kuriakose (2005) yang menyatakan bahwa tingkat akurasi prediksi meningkat dengan menggunakan data sampel yang semakin besar. Regresi berganda memberikan kinerja lebih baik untuk ukuran sampel yang kecil. Hasil pengujian terhadap hasil prediksi kinerja perusahaan mikro dan kecil dengan menggunakan metode jaringan syaraf tiruan dan metode regresi linier berganda disajikan seperti berikut ini. Tabel 6 Statistik Sampel Berpasangan

Pair 1

Mean

N

Std. Deviation

Std. Error Mean

Pred_JST

3.345

60

0.241

.03108

Pred_RLB

3.327

60

0.35

.0452

Tabel 7 Uji sampel Berpasangan

95% Confidence Std.

Std.

Deviatio Error

Pair 1

Pred_JST - Pred_RLB

m

m

Interval of the Difference

Mean

n

Mean

Lower

Upper

0.0182

0.138

0.0179

-0.0176

0.054

t

df

Sig

1.016 59 0.314


ISBN: 978-979-3775-55-5


Tabel 6 menunjukkan bahwa rata-rata prediksi kinerja perusahaan mikro dan kecil dengan menggunakan metode jaringan syaraf tiruan bernilai lebih tinggi dan rata-rata prediksi metode regresi linier berganda. Tabel 7 menunjukkan bahwa dengan nilai rata-rata selisih basil prediksi dengan menggunakan metode jaringan syaraf tiruan dan metode regresi linier berganda adalah 0,0182, deviasi standar 0,138 dan nilai signifikansi 0,314. Oleh karena nilai signifikansi tersebut diatas 0,05, maka hipotesis nol tidak ditolak. Hal ini berarti basil prediksi kinerja perusahaan mikro dan kecil dengan menggunakan metode jaringan syaraf tiruan dan metode regresi linier berganda tidak menunjukkan perbedaan.

SIMPULAN DAN SARAN Penelitian ini bertrrjuan untuk membandingkan metode analisis jaringan syaraf tiruan dan metode regresi linier berganda untuk memrediksi kinerja perusahaan mikro dan kecil dengan memasukkan variabel pelaksanaan pelatihan dan implementasi basil pelatihan perusahaan mikro dan kecil. Penelitian ini menghasilkan kesimpulan bahwa dengan walarrpun metode regresi linier berganda memberikan nilai metode mean absolute error (MAE), mean Absolute Percentage Error (MAPE), dan mean square error (MSE) yang lebih rendah daripada metode jaringan syaraf tiruan, tapi hal ini tidak menunjukkan perbedaan tingkat prediksi kinerja perusahaan mikro dan kecil. Keterbatasan penelitian ini mencakup: (a) penggunaan hanya 2 faktor penjelas untuk memrediksi kinerja perusahaan mikro dan kecil; dan (b) jumlah sampel yang relatif kecil. Oleh karena itu, untuk penelitian lanjutan, maka peneliti merekomendasikan untuk menggunakan faktor penjelas yang lebih banyak dan jumlah sampel yang lebih besar.

DAFTAR PUSTAKA Auh Seigyoung dan Omar- Merio. 2012. The power of marketing within the firm: Its contribution to business performance and the effect of power asymmetry. Industrial Marketing Management: 41. Austen Viola, Uta Herbst, dan Victoria Bertels. 2012. When 3+3 does not equal 5+1—New insights into the measurement of industrial customer satisfaction. Industrial Marketing Management: 41. Bandyopadhyay G dan Chattopadhyay S. 2007. Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone. Int. J. Environ. Sci. Tech: 4 (1). Brey T., Jane-Teichman A., dan Borlich O. 1996. Artificial neural network versus multiple linearregression: predicting PIB ratios from empirical data. Marine Ecology Progress Series:. Vol. 140. Chang Shu-Hao, Kai-Yu Wang, Wen-Hai Chih, dan Wen-Hsin Tsai. 2012. Building customer commitment in business-to-business markets. Industrial Marketing Management: 41. Chen An-Sing, Leung Mark T., dan Daouk Hazem. 2003. Application of neural networks to Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

65


ISBN: 978-979-3775-55-5

an emerging $nancial market: forecasting and trading the Taiwan Stock Index. Computers & Operations Research: 30. Conlon Donald E.,Catherine H. Tinsley, Samuel J. Birk, Stephen E. Humphrey, dan Aleksander PJ. Ellis. 2012. Is it sometimes better to receive than to give? Preferences for receiver roles over proposer roles in consumer behavior ultimatums. Organizational Behavior and Human Decision Processes: xxx Corporate Links Limited. 2010. The Entrepreneurship Training Programme: Evaluation Report. Uganda Investment frumkvodlafraedsla.pdf

Authority.

http://www.iceida.is/

media

/pdf/

Cole, Shawn, Thomas Sampson, and Bilal Zia. 2011. "Prices or Knowledge? What Drives Demand for Financial Services in Emerging Markets?" Journal of Finance 66 (6). Dong Xiaoni dan Wen Guangrui. 2006. An Improved Neural Networks Prediction Model and Its Application in Supply Chain. Nature and Science: 4(3). Shorouq Fathi Eletter dan Saad Ghaleb Yaseen. 2010. Applying Neural Networks for Loan Decisions in the Jordanian Commercial Banking System. IJCSNS International Journal of Computer Science and Network Security: VOL.10 No.l. Elham Azizsoltani dan Naser Honarjoo. 2013. Comparison of Artificial Neural Network with Multiple Linear Regression in Predicting Soil Pore Size Distributions. International Journal of Agriculture and Crop Sciences. Vol., 5 (24). Fallahi Saeed, Meysam Shaverdi, dan Vahab Bashiri. 2011. Applying GMDH-Type Neural Network and Genetic Algorithm for Stock Price Prediction of Iranian Cement Sector. Applications and Applied Mathematics: An International Journal (AAM):. Vol. 6, Issue 2. Field, Erica, Seema Jayachandran,dan Rohini Pande. 2010. "Do Traditional Institutions Constrain Female Entrepreneurship? A Field Experiment on Business Training in India." American Economic Review: 100(2). Glaub, Matthias dan Michael Frese (2011) "A critical review of the effects of entrepreneurship training in developing countries", Enterprise development and microfinance: 22(4). Greg Fischer, Alejandro Drexler and Antoinette Schoar. 2010. Keeping it Simple: Financial Literacy and Rules of Thumb. CEPR Development Economics Workshop. Barcelona. Hakimpoor Hossein, Khairil Anuar Bin Arshad, Huam Hon Tat, Naser Khani dan Mohsen Rahmandoust. 2011.Artificial Neural Networks' Applications in Management. World Applied Sciences Journal: 14(7). Iyer Govind, Deborah McBride, dan Philip Reckers. 2012. The effect of a decision aid on risk aversion in capital investment decisions. Advances in Accounting, incorporating Advances in International Accounting: 28. Jan de Kok Paul Vroonhof, Wim Verhoeven Nick Timmermans, Ton Kwaak Jacqueline Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

66

ISBN: 978-979-3775-55-5


Snijders, dan Florieke Westhof. 2011. Do SMEs create more and better jobs?. Research Report. EIM Business & Policy Research, The Netherlands Kaiian, Dean, dan Martin Valdivia. 2011. "Teaching Entrepreneurship: Impact of Business Training on Microfinance Clients and Institutions/' Review of Economics and Statistics:93 (2). Khan Raja Abdul Ghafoor, Furqan Ahmed Khan, dan Muhammad Aslam Khan. 2011. Impact of Training and Development on Organizational Performance. Management and Business Research: Vol. 11 Issue 7 Version 1.0.

Global Journal of

Kim Jaesoo dan Ahn Heejune. 2009. A New Perspective for Neural Networks: Application to a Marketing Management Problem. Journal of Information Science and Engineering: 25. Kithae Peter Paul, Raphael Maganjo, dan Lucy Kavinda. 2013. Impact of Entrepreneurship Training on Performance of Micro and Small Entrcpriscs (MSES) in Kenya: A Case Study of Embu Municipality. International Journal of Business and Management Review. Vol.1 No.2 Lusardi, Annamaria, dan Peter Tufano. 2009. "Debt Literacy, Financial Experiences, and Overindebtedness." Dartmouth Working Paper. Pao Hsiao-Tien. 2008. A comparison of neural network and multiple regression analysis in modeling capital structure. Expert Systems with Applications: 35 Razi Muhammad A., dan Kuriakose Athappilly. 2005. A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models. Expert Systems with Applications: 29. Rawwas Mohammed Y. A., Surendra Arjoon, dan Yusuf Sidani. 2013. An Introduction of Epistemology to Business Ethics: A Study of Marketing Middle-Managers. J Bus Ethics: 117 Saberi Sara dan Rosnah Mohd. Yusuff. 2010. Neural Network Application in Predicting Advanced Manufacturing Technology Implementation Performance. Neural Comput & Applic. Springer. Sarle Warren S. 1994.Neural Networks and Statistical Models. Proceedings of the Nineteenth Annual SAS Users Group International Conference. Shachmurove Yochanan. 2008. Artificial Neural Networks to Business, Economics and Finance. Discussion Paper. Departments of Economics The City College of the City University of New York and, The University of Pennsylvania. Smith Kate A. dan Jatinder N.D. Gupta. 2000. Neural networks in business: techniques and applications for the operations researcher. Computers & Operations Research: 27. Smith, A. E., & Mason, A. K. 1997. Cost estimation predictive modeling: Regression versus neural network. The Engineering Economist:, 42(2). Stylianou Antonis C, Susan Winter, Yuan Niu, Robert A. Giacalone, dan Matt Campbell.


67

ISBN: 978-979-3775-55-5


2013. Understanding the Behavioral Intention to Report Unethical Information Technology Practices: The Role of Machiavellianism, Gender, and Computer Expertise. J Bus Ethics 117. Swanson David A., Jeff Tayman, dan T. M. Bryan. 2011. MAPE-R: a rescaled measure of accuracy for cross-sectional subnational population forecasts. J Pop Research: 28. Springer. Tsaur, S.H., dan Lin, Y.C.2004. "Promoting service quality in tourist hotels: the role of HRM practices and service behavior", Tourism Management: Vol. 25. Warner Brad dan Manavendra Misra. 1996. Understanding Neural Networks as Statistical Tools. The American Statistician: November; Vol. 50; No. 4. Wang Ying dan Michael Campbell. 2012. Corporate governance, earnings management, and IFRS: Empirical evidence from Chinese domestically listed companies. Advances in Accounting, incorporating Advances in International Accounting: 28. Watrin Christoph dan Robert Ullmann. 2012. Improving earnings quality: The effect of reporting incentives and accounting standards. Advances in Accounting, incorporating Advances in International Accounting: 28 Yahya Ahmad Zahiruddin, Md Said Othman, dan Abd Latiff Sukri Shamsuri. 2012. The Impact of Training on Small and Medium Enterprises (SMEs) Performance. Journal of Professional Management: Vol 2 (1). Yao Jingtao, Teng Nicholas, Poh Hean-Lee, dan Lim Chew. 1998. Forecasting and Analysis of Marketing Data Using Neural Networks. Journal of Information Science and Engineering: 14. Yu N. Shunin dan Kniga N. 2005. Neural Networks Modelling of Business Situations and Decision Making Analysis. Computer Modelling and New Technologies: Vol.9, No.2. Zhang Shuo, Jong-Ho Lee, dan Lin Fang. 2013. The Effect of Shopping Motivation of Social Commerce on Purchase Intention. International Journal of Information Processing and Management(IJIPM): Vol. 4, Number 6.


68

APLIKASI METODE REGRESILINIER BERGANDA DAN JARINGAN SYARAF TIRUAN UNTUK MEMREDIKSI KINERJA USAHA MIKRO DAN KECIL. Adi Kuswanto

Recommend Documents