Prediksi Alokasi Pagu Belanja Modal Terhadap Realisasi di Kementerian Pertanian Dengan Metode Neural Network dan Generalized Linear Model
DOI:
https://doi.org/10.52436/1.jpti.530Keywords:
belanja modal, generalized linear model, neural network, pemodelan, prediksiAbstract
Belanja Modal adalah pengeluaran anggaran untuk perolehan aset tetap dan aset lainnya yang memberi manfaat lebih dari satu periode akuntansi. Belanja modal meliputi antara lain belanja modal untuk perolehan tanah, gedung dan bangunan, peralatan, aset tak berwujud. Penelitian ini bertujuan untuk memprediksi alokasi pagu belanja modal di Kementerian Pertanian dari tahun 2021 sampai dengan 2023 dengan mengimplementasikan dan membandingkan kinerja algoritma Neural Network dan Generalized Linear Model. Penelitian ini menggunakan rasio data pelatihan dan pengujian 90:10, 80:20, dan 70:30. Hasil pengujian menggunakan algoritma neural network mendapatkan nilai RMSE sebesar 47.627.183.477,290, 49.167.088.101,340, dan 33.270.553.845,293, sedangkan Generalized Linear Model mendapatkan nilai RMSE sebesar 211.888.285.568,081, 222.669.954.080,210, dan 223.385.799.402,206. Berdasarkan hasil perbandingan pada rasio ideal data uji dan latih 70:30, dapat disimpulkan bahwa model Neural Network menghasilkan RSME lebih rendah (33.270.553.845) dibanding Generalized Linear Model (223.385.799.402) menjadikannya pilihan yang lebih akurat untuk prediksi anggaran. Hasil tersebut diharapkan dapat digunakan untuk membantu prediksi penyedian alokasi pagu belanja pegawai dimasa yang akan datang.
Downloads
References
A. P. Pambudy and M. I. Syairozi, “Analisis Peran Belanja Modal Dan Investasi Swasta Terhadap Pertumbuhan Ekonomi Serta Dampaknya Pada Kesejahteraan Masyarakat,” EKOBIS, vol. 20, pp. 26–39, Jan. 2019.
Kementerian Pertanian RI, “Laporan Realisasi Anggaran (Face) Kementerian Pertanian Tahun 2021 Audited,” 2021.
Kementerian Pertanian RI, “Laporan Realisasi Anggaran (Face) Kementerian Pertanian Tahun 2022 Audited,” 2022.
Kementerian Pertanian RI, “Laporan Realisasi Anggaran (Face) Kementerian Pertanian Tahun 2023 Audited,” 2023.
A.S Pratiwi and S. Nawatmi, “Analisis Pagu Minus Belanja Pegawai Pada Pengadilan Negeri Semarang Kelas IA Khusus,” Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI), vol. 5(5), no. https://doi.org/10.31933/jemsi.v5i5, 2024.
E. P. A. Akhmad, “Data Mining Menggunakan Regresi Linear untuk Prediksi Harga Saham Perusahaan Pelayaran. Jurnal Aplikasi Pelayaran Dan Kepelabuhanan,” https://doi.org/10.30649/japk.v10i2.83, vol. 10(2), 2020.
W. Y. A. Kurniawan Fahruddin, “Penerapan Algoritma Regresi Linear Pada Data Harga Cabai Rawit Di Pasar Indihiang,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8(2), no. https://doi.org/10.36040/jati.v8i2.9053, pp. 1614–1620, 2024.
H. Hamzah, “Analisis Anggaran dan Realisasi Belanja Modal pada Kominfo Balai Besar Pengkajian dan Pengembangan Komunikasi dan Informatika Makassar,” https://repository.unifa.ac.id/id/eprint/371/, 2017.
Iskandar, S. Xu, and G. O’Donovan, “Revolusi Industri 4.0 Dalam Pengelolaan Kas Negara: Pemodelan Prakiraan Kas Negara Menggunakan Jaringan Saraf Tiruan,” 2018.
N. Purwati, R. Nurlistiani, and O. Devinsen, “Data Mining Dengan Algoritma Neural Network Dan Visualisasi Data Untuk Prediksi Kelulusan Mahasiswa,” Jurnal Informatika, vol. 20, no. 2, pp. 156–163, Dec. 2020, doi: 10.30873/ji.v20i2.2273.
R. H. Kusumodestoni, “Prediksi Forex Menggunakan Model Neural Network,” Jurnal SIMETRIS, vol. 6, 2015.
R. Hartono, H. A. Saputra, G. Triyono, A. Info, K. Kunci, and B. Pegawai, “Pemodelan Prediksi Alokasi Pagu Belanja Pegawai dengan Metode Neural Network dan Linear Regression,” vol. 4, pp. 865–880, 2024, doi: 10.51454/decode.v4i3.708.
B. Kabra and C. Nagar, “SCIENCE& TECHNOLOGY Convolutional Neural Network based sentiment analysis with TF-IDF based vectorization.” [Online]. Available: http://pubs.thesciencein.org/jist
M. Yang and Y. Liu, “Research on the potential for China to achieve carbon neutrality: A hybrid prediction model integrated with elman neural network and sparrow search algorithm,” J Environ Manage, vol. 329, Mar. 2023, doi: 10.1016/j.jenvman.2022.117081.
I. Jayusman, O. Agus, and K. Shavab, “Studi Deskriptif Kuantitatif Tentang Aktivitas Belajar Mahasiswa Dengan Menggunakan Media Pembelajaran Edmodo Dalam Pembelajaran Sejarah,” 2020. [Online]. Available: https://jurnal.unigal.ac.id/index.php/artefak
W. J. Tarigan, “Metode Penelitian Kualitatif,” 2024. [Online]. Available: https://www.researchgate.net/publication/380937054
H. Putra and N. U. Walmi, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,” https://doi.org/10.25077/TEKNOSI.v6i2.2020.100-107, vol. 6, Aug. 2020.
N. Nurlistiani, R. Nurlistiani, and O. Devinsen, “Data Mining Dengan Algoritma Neural Network Dan Visualisasi Data Untuk Prediksi Kelulusan Mahasiswa,” Jurnal Informatika, vol. 20(2), pp. 156–163, 2020.
A.H. Wijaya, “Artificial Neural Network Untuk Memprediksi Beban Listrik dengan Menggunakan metode Backpropagation (Studi Kasus PT. PLN Regional Sumatera Barat),” Jurnal CoreIT, vol. 5(2), pp. 61–70, 2019.
N. Pratiwi and M. J. Paput, “Pemodelan Jumlah Penduduk Miskin di Jawa Timur dengan Generalized Linier Model,” INSOLOGI: Jurnal Sains dan Teknologi, vol. 1, pp. 491–497, 2022.
T. A. J. Putra, “Penghitungan Premi Asuransi Kendaraan Bermotor Menggunakan Generalized Linear Models dengan Distribusi Tweedie,” Jambura Journal of Mathematics, vol. 3, pp. 115–127, 2021.
Y. Wilandari and S. H. Kartiko, “Estimasi Cadangan Klaim Menggunakan Generalized Linear Model (GLM) Dan Copula,” JURNAL GAUSSIAN, vol. 9, pp. 411–420, 2020.
R. G. R Mumu, N Nurchim, and S Sumarlinda, “Forecasting Central Bank Digital Currency Terhadap Rupiah Digital,” IDEALIS: InDonEsiA journaL Information System, vol. 6(2), no. https://doi.org/10.36080/idealis.v6i2.3027, pp. 65–74, 2023.
