Melola Discovery

← Melola Discovery

Open access Journal No SINTA rank

Comparison of Feedforward Neural Network and Classical Statistics Methods: Application in Finance

Jurnal Matematika, Statistika dan Komputasi · Vol. 19 No. 3 (2023) · pp. 537–548

DOI
10.20956/j.v19i3.25379
ISSN
2614-8811, 1858-1382
Published
2023-05-05
Publisher
Department of Mathematics, Hasanuddin University
Language
en
License
creativecommons.org/licenses/by/4.0

Abstract

English

The flexibility and elevated accurateness of the statistical machine learning method makes this method widely applied in various fields. One of the statistical machine learning methods is the neural network, which can be used for data analysis. The great performance of the neural network method can be used in the field of finance. In this study, the neural network method was used to predict Non-Performing Loans (NPL) data and forecast credit receivables. In the NPL prediction, the banks used are State-Owned Banks, Regional Government Banks, and National Private Banks with a main capital of more than 6 trillion rupiahs in March 2021, i.e. 26 banks with the period of March 2018 until March 2021. In predicting NPL, a moving window scheme involves several different periods. In the forecast of the number of credit receivables, the data used is the number of financing receivables. The period from November 2012 to December 2020 is used as training data, while data for the period from January to June 2021 is used as testing data. The results of the analysis show that the neural network for NPL prediction and credit receivables forecasting shows better performance compared to classical methods such as multiple linear regression and ARIMA. A comparison of methods for banking NPLs prediction is based on the RMSE data testing values, while forecasting credit receivable is based on RMSE, MAE, and MAPE data testing values.

Indonesian

Fleksibilitas dan akurasi yang tinggi dari metode statistical machine learning membuat metode ini banyak diaplikasikan pada berbagai bidang. Salah satu metode dalam machine learning adalah neural network, yang dapat digunakan untuk analisis data. Akurasi yang tinggi dari metode neural network juga dapat dimanfaatkan dalam bidang pengawasan lembaga keuangan. Pada penelitian ini, metode neural network akan digunakan untuk prediksi data Non-Performing Loans (NPL) dan peramalan piutang kredit. Pada prediksi NPL, perbankan yang digunakan adalah Bank Persero, Bank Pemerintah Daerah, dan Bank Swasta Nasional dengan modal inti lebih dari 6 triliun rupiah pada Maret 2021, yakni sebanyak 26 perbankan. Periode data yang digunakan adalah Maret 2018 hingga Maret 2021. Dalam memprediksi NPL, juga akan digunakan skema moving window, yakni memprediksi NPL pada periode yang berbeda. Pada analisis peramalan besarnya piutang kredit, data yang digunakan adalah jumlah piutang pembiayaan dengan periode November 2012 hingga Desember 2020 digunakan sebagai data training, sedangkan data periode Januari hingga Juni 2021 digunakan sebagai data testing. Hasil analisis menunjukkan bahwa metode neural network yang digunakan untuk prediksi NPL perbankan dan juga peramalan piutang kredit lembaga pembiayaan menunjukkan performa yang lebih baik dibandingkan dengan metode klasik seperti regresi linier berganda dan juga ARIMA. Perbandingan metode untuk prediksi NPL perbankan dilakukan berdasarkan nilai RMSE data testing, sedangkan pada peramalan piutang dilakukan berdasarkan nilai RMSE, MAE, dan MAPE data testing.

Keywords

Collaboration network of the authors

16 authors · 38 co-authorship links · 5 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Institut Teknologi Sepuluh Nopember
  • Universiti Malaysia Pahang Al-Sultan Abdullah
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Galuh Oktavia SiswonoInstitut Teknologi Sepuluh Nopember2
Moch. Taufik HakikiInstitut Teknologi Sepuluh Nopember1
Soehardjoepri DjoepriInstitut Teknologi Sepuluh Nopember1
Ulil AzmiInstitut Teknologi Sepuluh Nopember1
Denisha A. E. AnandaInstitut Teknologi Sepuluh Nopember1
Roslinazairimah ZakariaUniversiti Malaysia Pahang Al-Sultan Abdullah1
Alya AzzahraInstitut Teknologi Sepuluh Nopember1
Raden Mohamad AtokInstitut Teknologi Sepuluh Nopember1
Pratnya Paramitha OktavianaAffiliation unknown1
Galuh Oktavia SiswonoAffiliation unknown1
Nyoman Gede Trisna SanjayaAffiliation unknown1
Nyoman Gede Trisna SanjayaInstitut Teknologi Sepuluh Nopember1
Radit Candra NugrohoInstitut Teknologi Sepuluh Nopember1
Annisa Salsabila PratiwiInstitut Teknologi Sepuluh Nopember1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, first harvested 5 Nov 2026, last seen 15 Nov 2026.
Original metadata (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Comparison of Feedforward Neural Network and Classical Statistics Methods: Application in Finance</dc:title>
	<dc:creator xml:lang="en">Saputri, Prilyandari Dina</dc:creator>
	<dc:creator xml:lang="en">Oktaviana, Pratnya Paramitha</dc:creator>
	<dc:subject xml:lang="en">Finance</dc:subject>
	<dc:subject xml:lang="en">Neural Network</dc:subject>
	<dc:subject xml:lang="en">Statistics</dc:subject>
	<dc:description xml:lang="en">The flexibility and elevated accurateness of the statistical machine learning method makes this method widely applied in various fields. One of the statistical machine learning methods is the neural network, which can be used for data analysis. The great performance of the neural network method can be used in the field of finance. In this study, the neural network method was used to predict Non-Performing Loans (NPL) data and forecast credit receivables. In the NPL prediction, the banks used are State-Owned Banks, Regional Government Banks, and National Private Banks with a main capital of more than 6 trillion rupiahs in March 2021, i.e. 26 banks with the period of March 2018 until March 2021. In predicting NPL, a moving window scheme involves several different periods. In the forecast of the number of credit receivables, the data used is the number of financing receivables. The period from November 2012 to December 2020 is used as training data, while data for the period from January to June 2021 is used as testing data. The results of the analysis show that the neural network for NPL prediction and credit receivables forecasting shows better performance compared to classical methods such as multiple linear regression and ARIMA. A comparison of methods for banking NPLs prediction is based on the RMSE data testing values, while forecasting credit receivable is based on RMSE, MAE, and MAPE data testing values.</dc:description>
	<dc:description xml:lang="id">Fleksibilitas dan akurasi yang tinggi dari metode statistical machine learning membuat metode ini banyak diaplikasikan pada berbagai bidang. Salah satu metode dalam machine learning adalah neural network, yang dapat digunakan untuk analisis data. Akurasi yang tinggi dari metode neural network juga dapat dimanfaatkan dalam bidang pengawasan lembaga keuangan. Pada penelitian ini, metode neural network akan digunakan untuk prediksi data Non-Performing Loans (NPL) dan peramalan piutang kredit. Pada prediksi NPL, perbankan yang digunakan adalah Bank Persero, Bank Pemerintah Daerah, dan Bank Swasta Nasional dengan modal inti lebih dari 6 triliun rupiah pada Maret 2021, yakni sebanyak 26 perbankan. Periode data yang digunakan adalah Maret 2018 hingga Maret 2021. Dalam memprediksi NPL, juga akan digunakan skema moving window, yakni memprediksi NPL pada periode yang berbeda. Pada analisis peramalan besarnya piutang kredit, data yang digunakan adalah jumlah piutang pembiayaan dengan periode November 2012 hingga Desember 2020 digunakan sebagai data training, sedangkan data periode Januari hingga Juni 2021 digunakan sebagai data testing. Hasil analisis menunjukkan bahwa metode neural network yang digunakan untuk prediksi NPL perbankan dan juga peramalan piutang kredit lembaga pembiayaan menunjukkan performa yang lebih baik dibandingkan dengan metode klasik seperti regresi linier berganda dan juga ARIMA. Perbandingan metode untuk prediksi NPL perbankan dilakukan berdasarkan nilai RMSE data testing, sedangkan pada peramalan piutang dilakukan berdasarkan nilai RMSE, MAE, dan MAPE data testing.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2023-05-05</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/25379</dc:identifier>
	<dc:identifier>10.20956/j.v19i3.25379</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 19 No. 3 (2023): MAY, 2023; 537-548</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/25379/9714</dc:relation>
	<dc:relation>10.20956/j.v19i3.25379.g9714</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2023 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>