APLIKASI MODEL ARTIFICIAL NEURAL NETWORK

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

APLIKASI MODEL ARTIFICIAL NEURAL NETWORK PADA ANALISIS
DETERMINAN PROFITABILITAS BANK SYARIAH
(Studi Empiris Pada Bank Syariah Di Indonesia Periode 2006.Q1 – 2016.Q1)
Hantoro Ksaid Notolegowo1), Arif Pujiyono1)
1

Jurusan Ilmu Ekonomi dan Studi Pembangunan, Universitas Diponegoro, Jalan Prof.
Soedharto SH Tembalang, Semarang, 50239
E-mail: hanznomics94@gmail.com
Abstract

This study aimed to analyze the influence of internal and external Bank variables to profitability Return
on Asset (ROA) of Islamic Bank in Indonesia using Artificial Neural Network (ANN). This study also
trying to analyze the best models between Artificial Neural Network (ANN) and Multiple Linear
Regression (MLR) by comparing the value of Mean Squares Error (MSE). Data used in this study are
quarterly data from 2006.Q1 until 2016.Q1. Variables used in this study consisted of independent
variables and dependent variables. Non Performing Financing (NPF), Financing to Deposit Ratio (FDR),
Operating Expenses to Operating Income (BOPO), Size, Inflation and Gross Domestic Product (GDP) are

used as independent (input) variable. Profitability Return on Assets (ROA) of Islamic Banks is used as
dependent (output) variable. The results using ANN showed that from seven independent variables are
used, the BOPO variables is the most influental variables in determining profitability Return on Asset
(ROA). Then, the other variables also influence ROA, they are GDP, FDR, Size, Inflation Rate, and NPF.
The best model testing showed that ANN is better than MLR because it give lower value of Mean Square
Error (0,00069 compared 0,111). Thus ANN give more accurate prediction than MLR.
Keywords: profitability, islamic bank, accuracy, ANN, MLR

Abstrak

Penelitian ini bertujuan untuk menganalisis pengaruh variabel internal dan eksternal bank terhadap
profitabilitas Return on Asset (ROA) Bank Syariah di Indonesia menggunakan Artificial Neural Network
(ANN). Penelitian ini juga mencoba membandingkan hasil pengujian Artificial Neural Network (ANN)
dengan Multiple Linear Regression (MLR) untuk mendapatkan model terbaik dengan membandingkan
nilai Mean Square Error (MSE). Data yang digunakan dalam penelitian merupakan data triwulanan
periode 2006.Q1 sampai dengan 2016.Q1. Variabel yang digunakan dalam penelitian terdiri dari variabel
independen dan variabel dependen. Variabel Non Performing Financing (NPF), Financing to Deposit
Ratio (FDR), Biaya Operasional terhadap Pendapatan Operasional (BOPO), Size, Inflasi dan Produk
Domestik Bruto (PDB) digunakan sebagai variabel independen (input). Variabel profitabilitas Return on
Asset (ROA) Bank Syariah digunakan sebagai variabel dependen (output). Jumlah sampel sebesar 41.

Hasil pengujian menggunakan ANN menunjukkan bahwa variabel BOPO merupakan variabel yang
paling berpengaruh terhadap profitabilitas Return on Asset (ROA). Variabel berikutnya yang berpengaruh
adalah PDB, FDR, Size, Inflasi, dan NPF. Pengujian model terbaik menunjukkan bahwa ANN lebih baik
dari MLR karena menghasilkan nilai Mean Square Error (MSE) lebih rendah (0,00069 banding 0,111).
Dengan demikian ANN menghasilkan prediksi yang lebih akurat dibandingkan MLR.
Kata Kunci: profitabilitas, bank syariah, akurasi, ANN, MLR

PENDAHULUAN
Bank syariah adalah bank yang berlandaskan pada syariah Islam. Aturan yang menjadi
kaidah dalam kegiatan operasional bank syariah memiliki kesesuaian dan tidak
bertentangan dengan syariah Islam. Contohnya adalah larangan menjalankan transaksi

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

459

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

yang mengandung unsur riba, maisir, dan gharar. Selain itu, tata cara pelaksanaan atau
proses dalam menjalankan aturan, memiliki kesesuaian dengan nilai-nilai dan etika Islam,
seperti kejujuran, keadilan, dan kemaslahatan. Bisnis bank baik konvensional maupun
syariah merupakan bisnis yang dibangun atas dasar kepercayaan. Kegiatan utama bank
syariah dan bank pada umumnya adalah menjalankan amanah dalam menyimpan dan
menyalurkan dana yang berasal dari nasabah.
Salah satu faktor yang menentukan tingkat kepercayaan nasabah adalah kinerja bank.
Kinerja bank yang semakin baik akan meningkatkan kepercayaan nasabah kepada bank.
Oleh karena itu, bank harus terus berupaya menciptakan kinerja yang positif. Indikator
yang mampu merepresentasikan dengan baik kinerja bank adalah profitabilitas.
Profitabilitas merupakan ukuran kinerja dilihat dari sisi laba, yaitu kemampuan bank dalam
memperoleh laba. Pengukuran kinerja berdasarkan laba, menjadi acuan penting dalam
menilai kondisi perbankan, karena orientasi utama kegiatan bisnis/ usaha adalah
menciptakan laba. Rasio yang biasa digunakan untuk mengukur profitabilitas adalah
Return on Asset (ROA) dan Return on Equity (ROE).
Return on Asset (ROA) merupakan ukuran kinerja yang digunakan untuk menilai
kemampuan perusahaan dalam menghasilkan laba dari aset yang dimiliki perusahaan.
Return on Equity (ROE) merupakan ukuran kinerja yang digunakan untuk menilai
kemampuan perusahaan dalam menghasilkan laba dari modal yang berasal dari pemilik

perusahaan. Dengan demikian, ROA mengukur tingkat profit dari pendapatan operasi
perusahaan, sedangkan ROE mengukur tingkat profit terbatas pada aktivitas investasi yang
dilakukan pemilik perusahaan.
Penelitian ini bertujuan untuk menganalisis determinan profitabilitas ROA bank
syariah dengan mengukur pengaruh variabel internal dan eksternal bank menggunakan
metode ANN. Rasio keuangan yaitu NPF, FDR, BOPO dan ukuran bank (size)
merupakan variabel internal yang mempengaruhi proses estimasi. Kondisi
makroekonomi Indonesia yaitu tingkat inflasi dan Produk Domestik Bruto (PDB)
merupakan variabel eksternal yang mempengaruhi proses estimasi.
Penelitian-penelitian yang menganalisis determinan profitabilitas bank dengan
mempertimbangkan faktor internal dan eksternal menggunakan Artificial Neural
Network masih terbilang sedikit, khususnya di Indonesia. Penelitian Al-Osaimy (1998)
menganalisis kinerja keuangan perbankan syariah menggunakan Kohonen dan
Backpropagation Neural Network. Hasil penelitian menunjukkan pentingnya variabel
likuiditas dan efisiensi dalam klasifikasi kinerja perbankan syariah.
Abu Bakar dan Tahir (2009) menganalisis determinan profitabilitas Return on
Average Asset (ROA) perbankan di Malaysia menggunakan metode Artificial Neural
Network (ANN) dan Multiple Linear Regression (MLR). Hasil pengujian menggunakan
MLR menunjukkan bahwa variabel yang signifikan mempengaruhi ROA adalah loan
loss provision-to-loans ratio (credit risk) dan cost income ratio. Metode ANN memiliki

tingkat akurasi yang lebih baik dari MLR didalam melakukan prediksi determinan ROA
perbankan di Malaysia.
Sarokolaei, et. al. (2012) menganalisis determinan efisiensi Return on Average Asset
(ROA) perbankan di Iran menggunakan metode Artificial Neural Network (ANN) dan
Multiple Linear Regression (MLR). Hasil pengujian menggunakan MLR menunjukkan
hubungan positif antara efisiensi ROA dan 3 variabel independen yaitu size, cost income
ratio, dan consumer price index. Metode MLR memiliki tingkat akurasi yang lebih baik
dari ANN didalam melakukan prediksi determinan efisiensi ROA perbankan di Iran.

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

460

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

Penelitian ini merujuk pada penelitian yang dilakukan oleh Al-Osaimy (1998); Abu
Bakar dan Tahir (2009) serta Sarokolaei, et. al. (2012) yang menganalisis determinan

kinerja perbankan menggunakan ANN dan melakukan studi komparasi akurasi metode
ANN dengan MLR.
METODE PENELITIAN
Variabel Penelitian
Penelitian ini menganalisis keterkaitan antara variabel dependen dengan variabel
independen menggunakan data triwulanan periode 2006.Q1 sampai dengan 2016.Q1.
Variabel yang digunakan dalam penelitian disajikan dalam tabel berikut.
Tabel 1
Variabel Penelitian

Variabel
Y
X1
X2
X3
X4
X5
X6

Keterangan

ROA : Return on Asset. Digunakan sebagai ukuran profitabilitas
(Dependent Variable).
NPF : Non Performing Financing. Digunakan sebagai ukuran resiko
pembiayaan
FDR : Financing to Deposit Ratio. Digunakan sebagai ukuran
likuiditas
BOPO : Biaya Operasional terhadap Pendapatan Operasional.
Digunakan sebagai ukuran efisiensi
Size : ukuran bank berdasarkan total aset
Inflasi : persentase kenaikan harga-harga barang secara umum
berdasarkan Indeks Harga Konsumen (IHK)
GDP : Gross Domestic Product

Penelitian ini menggunakan metode Artificial Neural Network (ANN) dalam
melakukan analisis data. Jaringan saraf tiruan atau Artificial Neural Network (ANN)
merupakan metode analisis yang meniru prinsip kerja otak manusia dalam memecahkan
masalah. Jaringan saraf tiruan (Artificial Neural Network), atau disingkat ANN, adalah
sistem komputasi di mana arsitektur dan operasi diilhami dari pengetahuan tentang sel
saraf biologis didalam otak, yang merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia

tersebut (Hermawan, 2006). Alasan dipilihnya ANN sebagai metode analisis dalam
penelitian ini karena mampu menghasilkan hasil prediksi yang akurat melalui
kemampuannya didalam meminimalkan error pada model. Selain itu, ANN dapat
memberikan hasil yang lebih baik, saat tidak ada hubungan matematis yang sesuai antara
data dan variabel independen dan dependen (Sarokolaei, et. al., 2012).
Gambar 1 menunjukkan struktur ANN dengan input x0, x1, x2, ...xi. Masing-masing
sinyal input (x0, x1, x2, ...xi) dikalikan dengan besaran bobot koneksi (wk0, wk1, wk2,
...wki). Selanjutnya sinyal input yang telah dikalikan dengan bobot koneksi dijumlahkan
dan disimpan dalam fungsi penjumlahan (summing function) yang disimbolkan dengan
“∑“. Kemudian hasil penjumlahan dari summing function dikalikan dengan bobot (vk).
Hasil perkalian nilai pada summing function dengan bobot (vk) ditransformasikan menjadi
output jaringan (yk) menggunakan fungsi aktivasi (φ). Selisih antara output target (ROA)
dengan output jaringan (yk) merupakan error yang terjadi.

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

461

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016
Gambar 1
Struktur ANN

Sumber : Abu Bakar dan Tahir (2009)
Berdasarkan Gambar 1, sinyal input (x0, x1, x2, ...xi) menunjukkan variabel input yang
digunakan dalam penelitian ini, yaitu Non Performing Financing (NPF), Financing to
Deposit Ratio (FDR), Biaya Operasional terhadap Pendapatan Operasional (BOPO),
ukuran bank (size), inflasi dan PDB. Fungsi penjumlahan “∑“ menghubungkan sinyal
input (variabel independen) dengan nilai output (variabel dependen), dan menyimpan hasil
perkalian input (x0, x1, x2, ...xi) dengan bobot (wk0, wk1, wk2, ...wki). Hasil perkalian
input (x0, x1, x2, ...xi) dengan bobot (wk0, wk1, wk2, ...wki) pada lapisan tersembunyi
kemudian dikalikan dengan bobot pada lapisan tersembunyi (vk), dan ditransformasikan
hasilnya menjadi output jaringan (yk) menggunakan fungsi aktivasi (φ).
Populasi

Populasi adalah gabungan dari seluruh elemen yang berbentuk peristiwa, hal atau
orang yang memiliki karakteristik yang serupa yang menjadi pusat perhatian seorang
peneliti karena itu dipandang sebagai sebuah semesta penelitian (Ferdinand, 2006).

Penelitian ini menggunakan populasi Bank Syariah, yaitu Bank Umum Syariah dan Unit
Usaha Syariah periode tahun 2006 – 2016.
Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data diperoleh
dari berbagai macam sumber. Data-data yang mencakup variabel penelitian didapatkan
melalui website. Data yang termasuk dalam variabel dependen didapatkan melalui website
Otoritas Jasa Keuangan, sedangkan data yang termasuk dalam variabel independen
didapatkan melalui website Otoritas Jasa Keuangan dan Bank Indonesia. Adapun data-data
yang digunakan sebagai bahan untuk mendukung penelitian didapatkan dari berbagai
macam sumber, baik cetak maupun elektronik, diantaranya buku dan jurnal.
HASIL DAN PEMBAHASAN
Penelitian ini melakukan tiga kali pengujian dengan komposisi sampel pelatihan dan
pengujian (60 % : 40 %) untuk pengujian 1, (70 % : 30 %) untuk pengujian 2, (80 % : 20
%) untuk pengujian 3. Model terbaik yang dipilih adalah model yang menghasilkan nilai
sum of squares error testing dan relative error testing terkecil. Berdasarkan perbandingan
akurasi model, hasil pengujian terbaik adalah pada pengujian ke-3, karena menghasilkan
nilai sum of squares error testing dan relative error testing terkecil yaitu 0,025 dan 0,040.

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

462

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

Network Diagram
Network Diagram menghasilkan informasi komponen lapisan input, lapisan
tersembunyi, dan lapisan output. Network Diagram juga menghasilkan informasi fungsi
aktivasi yang digunakan pada lapisan tersembunyi (hidden layer) dan lapisan output
(output layer). Gambar 2 menunjukkan output Network Diagram pengujian 3 model ANN
menggunakan sampel pelatihan, pengujian dan ketidaksepakatan sebesar 80 % : 20 % : 0
%.
Gambar 2
Network Diagram

Sumber : olah data dengan SPSS 21
Berdasarkan Network Diagram, lapisan input (input layer) yang digunakan dalam
penelitian ini adalah Non Performing Financing (NPF), Financing to Deposit Ratio (FDR),
Biaya Operasional terhadap Pendapatan Operasional (BOPO), ukuran bank (size), tingkat
inflasi, dan Produk Domestik Bruto (PDB). Lapisan tersembunyi (hidden layer) terdiri dari
bias, H(1:1), H(1:2), H(1:3). Lapisan output adalah variabel dependen yang digunakan
yaitu Return on Asset (ROA).
Fungsi aktivasi diterapkan pada lapisan tersembunyi (hidden layer) dan lapisan
output (output layer). Fungsi aktivasi untuk semua lapisan tersembunyi adalah tangent
hyperbolic ketika pemilihan arsitektur dilakukan secara otomatis. Penelitian ini
menggunakan fungsi aktivasi tangent hyperbolic pada lapisan tersembunyi, karena
pemilihan arsitektur dilakukan secara otomatis. Fungsi ini memiliki bentuk : {γ(x) =

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

463

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

tanh(x) = (( )/ ( +
)} (SPSS).1 Fungsi aktivasi pada lapisan output (output
layer) menggunakan fungsi identitas (identity).
Parameter Estimates
Parameter Estimates menghasilkan output berupa synaptic weight. Synaptic weight
(bobot sinaptik) merupakan koefisien yang menunjukkan kekuatan hubungan antar lapisan
(lapisan input dengan lapisan tersembunyi dan lapisan tersembunyi dengan lapisan output).
Jumlah bobot sinaptik dapat menjadi lebih besar tetapi pada umumnya tidak digunakan
untuk menginterpretasikan hasil jaringan (SPSS). Tabel 2 menunjukkan output Parameter
Estimates pengujian 3 model ANN menggunakan sampel pelatihan, pengujian dan
ketidaksepakatan sebesar 80 % : 20 % : 0 %.
Tabel 2
Parameter Estimates
Predicted
Hidden Layer 1

Predictor

Input Layer

Hidden Layer 1

(Bias)
NPF
FDR
BOPO
Size
Inflasi
PDB
(Bias)
H(1:1)
H(1:2)
H(1:3)

H(1:1)
.636
.277
.251
1.121
.183
.011
-.094

H(1:2)
-.546
.393
.051
2.655
-.173
-.009
.456

H(1:3)
-.111
-.039
.266
-.031
.054
-.521
-.433

Output
Layer
ROA

-.726
1.270
-1.515
.520

Sumber : olah data dengan SPSS 21
Berdasarkan Tabel 2, menunjukkan bahwa hidden layer yang berpengaruh terhadap
output layer (ROA) adalah H(1:2) karena memiliki nilai koefisien –1.515, sedangkan input
layer yang berpengaruh terhadap hidden layer adalah BOPO dan PDB yang ditunjukkan
oleh kotak yang lebih besar dan garis yang lebih tebal pada Network Diagram.
Independent Variable Importance
Independent Variable Importance memberikan informasi sensitivitas/ persentase yang
menunjukkan pentingnya variabel independen dalam menentukan jaringan syaraf.
Independent Variabel Importance menunjukkan seberapa besar pengaruh variabel
independen terhadap variabel dependen. Tabel 3 menunjukkan output Independent
Variable Importance pengujian 3 model ANN menggunakan sampel pelatihan, pengujian
dan ketidaksepakatan sebesar 80 % : 20 % : 0 %.
Hasil pengujian menunjukkan bahwa variabel independen yang paling berpengaruh
terhadap Return on Asset (ROA) adalah Biaya Operasional terhadap Pendapatan
Operasional (BOPO) dengan importance sebesar 0,299, berikutnya adalah Produk
1

Notasi e merupakan basis logaritma natural yang bernilai 2,71828183.

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

464

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

Domestik Bruto (PDB) dengan importance sebesar 0,230, Financing to Deposit Ratio
(FDR) dengan importance sebesar 0,155, ukuran bank (size) dengan importance sebesar
0,114, tingkat inflasi dengan importance sebesar 0,101, dan Non Performing Financing
(NPF) dengan importance sebesar 0,101. Hasil pengujian berdasarkan Independent
Variable Importance menghasilkan sebuah grafik yang menggambarkan kekuatan
pengaruh variabel independen seperti pada gambar 3 di bawah.
Tabel 3
Independent Variable Importance
Importance Normalized
Importance
NPF
.101
33.8%
FDR
.155
51.8%
BOPO
.299
100.0%
Size
.114
38.3%
Inflasi
.101
33.9%
PDB
.230
76.8%

Sumber : olah data dengan SPSS 21
Gambar 3

Sumber : olah data dengan SPSS 21
Perbandingan Akurasi ANN dan MLR
Pembuktian akurasi dilakukan dengan membandingkan nilai Mean Square Error
(MSE) metode ANN dan MLR. Metode terbaik adalah metode yang menghasilkan nilai
MSE terkecil. Nilai MSE metode MLR dapat dilihat dari Tabel ANOVA berikut.

Model

Tabel 4
ANOVA
Sum of Squares
df

PROSIDING Vol. 01, Tahun 2016

Mean Square

F

ISSN: 2477 – 2097

Sig.

465

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

1

Regression
Residual
Total

5.178
3.774
8.952

6
34
40

.863
.111

7.776

.000b

Sumber : olah data dengan SPSS 21
Nilai MSE metode MLR merupakan hasil pembagian antara Sum of Squares Error
dengan degree of freedom (df).
(1)
Nilai MSE metode ANN didapatkan dari output Model Summary. Model Summary
menghasilkan informasi sum of squares error, relative error, aturan penghentian yang
digunakan untuk menghentikan waktu pelatihan (stopping rule used), dan waktu yang
dibutuhkan untuk pelatihan (training time).
Tabel 5
Model Summary
Traini

Sum of Squares Error

ng

Relative Error
Sum of Squares Error
Testin
g
Relative Error
Sumber : olah data dengan SPSS 21

1.33
2
.076
.025
.040

Nilai MSE metode ANN merupakan hasil pembagian antara Sum of Squares Error
dengan perkalian sampel (N) pada proses pelatihan2 dan jumlah output (O).
(2)
Perbandingan akurasi metode ANN dan MLR menunjukkan bahwa nilai MSE untuk
metode ANN lebih kecil dari MLR (0,00069 banding 0,111). Nilai MSE yang lebih kecil
membuktikan bahwa metode ANN lebih baik didalam memprediksi determinan
profitabilitas Return on Asset (ROA) bank syariah dalam penelitian ini.
SIMPULAN
Profitabilitas ROA merupakan ukuran yang sangat penting didalam menilai
kemampuan bank dalam menghasilkan laba dari aset yang dimilikinya. Berdasarkan hasil
analisis menunjukkan bahwa faktor internal dan eksternal bank memiliki pengaruh yang
berbeda-beda pada setiap variabelnya. Implikasi kebijakan yang dapat dirumuskan
berdasarkan hasil analisis adalah sebagai berikut :
Bank syariah di Indonesia didalam pengambilan keputusan terkait profitabilitas dapat
mempertimbangkan faktor internal dan eksternal bank. Faktor internal yang harus
diberikan perhatian lebih adalah pada rasio Biaya Operasional terhadap Pendapatan
Operasional (BOPO) dan Financing to Deposit Ratio (FDR), karena dalam mempengaruhi
profitabilitas ROA Bank Syariah, BOPO dan FDR memiliki nilai importance tertinggi dari
seluruh variabel internal bank yang digunakan dalam penelitian, sehingga kebijakan yang
2

Sampel yang digunakan pada proses pelatihan (training) sebanyak 36 sampel, sedangkan sampel yang
digunakan untuk proses pengujian (testing) sebanyak 5 sampel

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

466

Seminar Nasional Terapan Riset Inovatif
SEMARANG, 15 – 16 Oktober 2016

diambil lebih ditujukan untuk mengantisipasi setiap perubahan pada rasio BOPO dan FDR.
Faktor eksternal bank yang harus diberikan perhatian lebih adalah pada Produk Domestik
Bruto (PDB), karena dalam mempengaruhi profitabilitas ROA Bank Syariah, PDB
memiliki nilai importance tertinggi dari seluruh variabel eksternal bank yang digunakan
dalam penelitian, sehingga kebijakan yang diambil lebih ditujukan untuk mengantisipasi
setiap perubahan PDB.
DAFTAR PUSTAKA
Abu Bakar, N. M., & Tahir, I. M. (2009). Applying Multiple Linear Regression and Neural
Network to Predict Bank Performance. International Business Research, 2, 176-183.
Al-Osaimy, Mahmoud H. (1998). A Neural Network System for Predicting Islamic Banks
Performance. JKAU : Econ. & Adm., 11, 33-46.
Ferdinand, A. T. (2006). Metode Penelitian Manajemen. Semarang : Badan Penerbit
Universitas Diponegoro.
Hermawan, Arif. (2006). Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta : ANDI.
Sarokolaei, M. A., Alinezhad, P., & Khosroshahi, M. A. (2012). A Comparative Study of
Iranian Banks’ Efficiency by Using Artificial Neural Networks and Multi-Linear
Regression. 2nd International Conference on Management and Artificial Intelligence
IPEDR.

PROSIDING Vol. 01, Tahun 2016

ISSN: 2477 – 2097

467