Universal Journal of Management 6 (4): 127-133, 2018 http://www.hrpub.org DOI: 10.13189 / ujm.2018.060403 Sistem Informasi Manajemen, Konseptual Dimensi Kualitas dan Kualitas Informasi Keputusan Manajerial: Pemodelan Buatan Jaringan Saraf Tiruan Hossein Hakimpoor 1, * , M. Khairabadi 2 1 Departemen 2 Departemen Manajemen, Cabang Birjand, Universitas Islam Azad, Birjand, Iran manajemen, Universitas Payame Noor, Teheran, Iran Hak cipta © 2018 oleh penulis, semua hak dilindungi. Penulis setuju bahwa artikel ini tetap membuka akses secara permanen di bawah ketentuan Lisensi Atribusi 4.0 Creative Commons International License Abstrak Pengaruh sistem informasi terhadap keputusan membuat adalah perhatian utama di bidang informasi sistem (IS). Sistem informasi membentuk tulang punggung siapa saja integrasi proses bisnis dan tujuan utama sistem informasi membantu pengambil keputusan oleh memberikan informasi yang akurat dan berbasis waktu membantu mereka dalam membuat keputusan yang tepat dalam pergolakan lingkungan Hidup. Penelitian ini telah dilakukan untuk menguji dampak penggunaan informasi manajemen sistem (SIM) dan dimensi informasi konseptual kualitas pada kualitas keputusan manajerial di depan umum organisasi di Iran. Sampel penelitian adalah 250 orang manajer dari 17 organisasi publik yang dipilih secara acak dan data dikumpulkan pada tahun 2015. Menggunakan buatan hasil analisis jaringan saraf (JST) menunjukkan bahwa MIS dan dimensi konseptual kualitas informasi yang dimiliki a efek positif pada kualitas keputusan manajerial dan ini efek lebih kuat ketika SIM dan dimensi konseptual kualitas informasi digabungkan. Kata Kunci Sistem Informasi Manajemen, Kualitas Keputusan Manajemen, Jaringan Syaraf Tiruan 1. Pendahuluan Peran Sistem Informasi Manajemen adalah dijelaskan dan dianalisis mengingat kemampuannya untuk mengambil keputusan membuat dan pada dasarnya mengacu pada sistem yang digunakan informasi untuk memastikan manajemen apt bisnis. Pada dasarnya, semua aspek MIS berjalan secara bersamaan untuk memastikan efisiensi keseluruhan sistem keseluruhan. Sistem Informasi Manajemen (SIM) adalah pada dasarnya berkaitan dengan proses pengumpulan, memproses, menyimpan, dan mentransmisikan informasi yang relevan untuk mendukung operasi manajemen di organisasi mana pun. Dengan demikian, keberhasilan pengambilan keputusan, yang merupakan jantung dari proses administrasi, sebagian sangat tergantung pada informasi yang tersedia, dan sebagian pada fungsi yang ada komponen proses. Misalnya, jika manajerial tujuan tidak ada atau tidak jelas, mungkin karena informasi yang tidak memadai, tidak ada dasar untuk pencarian. Tanpa informasi yang diperoleh melalui pencarian, ada tidak ada alternatif untuk dibandingkan, dan tanpa perbandingan alternatif pilihan tindakan tertentu tidak mungkin menghasilkan hasil yang diinginkan. Dengan kata lain efektif pengambilan keputusan menuntut akurat, tepat waktu, dan relevan informasi [1]. Intinya, tanpa sistem yang mapan informasi dalam SIM, itu akan sangat sulit untuk organisasi untuk membuat keputusan mereka. Ini karena mereka akan dipaksa untuk membuat informasi yang tidak berdasar karena kurangnya informasi yang dikonfirmasi. Apalagi MIS biasanya meletakkan dasar yang kuat untuk pendirian beton keputusan melalui alat sistematisnya, informasi tepat waktu dan kebijakan dan peraturan manajerial yang memadai. Sistem Informasi Manajemen mengacu pada sistem yang menggunakan informasi untuk memastikan manajemen apt bisnis. Pada dasarnya, semua aspek MIS berjalan secara bersamaan untuk memastikan efisiensi keseluruhan seluruh sistem [2]. 2. Tinjauan Sastra Sistem informasi manajemen mengumpulkan data lingkungan dan mencatat organisasi fungsi dan pertukaran dan sesudahnya mengatur benteng dan memilih mereka dan menyerahkannya kepada manajer sebagai Halaman 2 128 Sistem Informasi Manajemen, Dimensi Konseptual Kualitas Informasi dan Kualitas Keputusan Manajerial: Pemodelan Jaringan Saraf Tiruan mereka dapat menghasilkan informasi yang diperlukan [3]. Untuk itu sistem informasi manajemen membantu organisasi untuk mengumpulkan, menyimpan, merevisi informasi. Ini tindakan akan efektif dalam pengurangan biaya untuk mendapatkan lebih banyak data, lebih disiplin melalui koordinasi konsep setiap subset serta akses cepat manajer ke mereka informasi yang diperlukan [4]. SIM dan organisasinya subsistem berkontribusi pada proses pengambilan keputusan di banyak negara cara dasar. Saat ini, beberapa organisasi menggunakan SIM kepada asisten manajer untuk pengambilan keputusan. [5] telah menyatakan bahwa membuat keputusan adalah bagian penting dari pekerjaan lingkungan bisnis. Perusahaan mengembangkan a proses pengambilan keputusan berdasarkan pada individu yang bertanggung jawab untuk membuat keputusan dan ruang lingkup perusahaan ' s operasi bisnis. Alat yang berguna untuk membuat bisnis keputusan adalah sistem informasi manajemen (SIM). Di dengan kata lain: MIS adalah upaya seluruh organisasi untuk memberikan informasi proses pengambilan keputusan. Sistem adalah komitmen formal oleh eksekutif untuk membuat komputer tersedia untuk semua manajer. SIM mengatur panggung untuk prestasi di bidang lain, yaitu DSS, the kantor virtual dan sistem berbasis pengetahuan. Ide utamanya di belakang MIS adalah untuk menjaga pasokan berkelanjutan informasi mengalir ke manajemen. Setelah itu oleh data dan informasi yang dikumpulkan dari sistem SIM, buat keputusan [6]. Jumlah penulis telah membahas peran informasi sistem dalam pengambilan keputusan. [1] menyelidiki penggunaan sistem informasi manajemen dalam pengambilan keputusan perencanaan jangka panjang, perencanaan jangka pendek dan penganggaran di Indonesia universitas-universitas Nigeria barat daya dan menyimpulkan itu ada perbedaan yang signifikan dalam penggunaan SIM untuk pengambilan keputusan tentang penganggaran antara federal dan negara bagian universitas yang mendukung universitas Federal. [6] memiliki membahas dua sistem informasi utama, yaitu, MIS dan DSS, karakteristiknya, hubungan, dan koneksi dari setiap konsep untuk proses pengambilan keputusan. [7] diilustrasikan dalam artikelnya peran sistem informasi dalam pengambilan keputusan membuat. Dia menyatakan bahwa ada hubungan yang signifikan antara sistem informasi dan pengambilan keputusan. [8] Tunjukkan efek menggunakan MIS pada kualitas keputusan dibuat oleh manajer administrasi pajak Hamedan dan menyatakan bahwa MIS memiliki efek signifikan pada peningkatan akurasi, kecepatan dan pengurangan waktu, kompleksitas pengambilan keputusan oleh manajer. [2] juga menyatakan hal yang sama pernyataan tentang hubungan antara SIM dan keputusan membuat. 3. Metodologi dan Model Tinjauan literatur mengungkapkan bahwa ada kebutuhan penelitian yang dirancang untuk memajukan pemahaman kita tentang pengaruh sistem informasi manajemen terhadap kualitas keputusan manajerial yang mencakup faktor-faktor seperti akurasi, kecepatan, dan kemudahan membuat manajerial keputusan. Dari sisi lain pengaruh SIM pada dimensi konseptual kualitas informasi (diadopsi dari [7]) telah dianalisis yang mencakup faktor-faktor seperti akurasi, keterkaitan, dan kelengkapan informasi. Sebagai itu diilustrasikan dalam model penelitian (Gambar 1) efek dimensi konseptual kualitas informasi pada kualitas keputusan manajerial juga dianalisis. Gambar 1. Model Penelitian Halaman 3 Universal Journal of Management 6 (4): 127-133, 2018 129 Penelitian ini dimulai dengan mengirim yang dikelola sendiri kuesioner yang sebagian besar diadopsi dari [7]. Para manajer disurvei sebagai responden, karena, mereka memiliki a dampak signifikan terhadap keputusan manajerial khususnya di Indonesia organisasi publik. Mempertimbangkan variabel kontrol, the Metode stratified random sampling digunakan untuk pengumpulan data kuantitatif, karena kriteria stratifikasi membantu Peneliti harus memastikan bahwa sampel yang dihasilkan adalah didistribusikan dengan cara yang sama seperti populasi [9]. Itu Kriteria stratifikasi digunakan dalam penelitian ini, yaitu level manajer. Kuesioner dibagikan antara Mei hingga Juli 2015.17 organisasi publik telah dipilih secara acak dari 40 organisasi dalam daftar yang telah disediakan oleh kantor gubernur Khorasan Selatan. Sampel penelitian adalah 250 manajer (18 manajer senior, 34 manajer menengah dan 198 operasional manajer). Total 208 kuesioner telah selesai dan dikumpulkan. Dari jumlah ini 18 kuesioner milik manajer senior, 41 kuesioner milik manajer menengah dan 149 penanya adalah manajer operasional. Barang memuat, dan rata-rata nilai ekstraksi yang diekstraksi (AVE) adalah dua metode untuk memeriksa validitas ini. Nilai AVE dari variabel, ditunjukkan pada Tabel 1, antara 0,55 dan 0,79, memberikan lebih banyak bukti untuk validitas konvergen. Sebagai disarankan oleh [10], semua AVE di atas 0,5 menunjukkan konstruksi tersebut dapat menjelaskan persentase varian yang tinggi variabel laten. Tabel 1. AVE, CR, dan Cronbach Alpha dari komponen AVE Gabungan Keandalan Cronbach Alfa komponen 0,55 0,910 0,830 SALAH 0,60 0,923 0,858 Akurasi Informasi 0,63 0,886 0,700 Keterkaitan dari Informasi 0,69 0,916 0,848 Kelengkapan Informasi 0,69 0,931 0,819 Akurasi keputusan 0,79 0,934 0.862 Kecepatan keputusan 0,60 0,887 0,704 Kemudahan keputusan 4. Pemodelan Jaringan Saraf Tiruan Untuk mengembangkan model JST, peneliti perlu faktor-faktor seperti data pra-pemrosesan, penentuan input model yang memadai dan arsitektur jaringan yang sesuai, optimisasi (pelatihan atau pembelajaran) dan validasi model [11] Selain itu, pemilihan input model yang sesuai sangat penting dalam pemodelan JST. Dalam yang terakhir, yang arsitektur model harus ditentukan terlebih dahulu, yang dilakukan dengan bantuan pendekatan empiris atau analitis, sebelum parameter model yang tidak diketahui dapat diperkirakan. Secara tradisional, jaringan umpan maju, tempat simpul dalam satu lapisan hanya terhubung ke node di lapisan berikutnya telah digunakan untuk aplikasi prediksi dan perkiraan. Untuk memberi makan jaringan pembelajaran yang paling umum Algoritma adalah algoritma back-propagation (BP), a metode pelatihan jaringan saraf tiruan bagaimana melakukan tugas yang diberikan [12]. Saraf propagasi-belakang model jaringan (BPNN) adalah regresi berganda tingkat lanjut analisis model jaringan saraf yang mampu menangani dengan hubungan data yang lebih kompleks dan non-linear daripada analisis regresi standar [13]. Tahap selanjutnya adalah penentuan arsitektur jaringan. Telah ditunjukkan bahwa JST dengan satu lapisan tersembunyi cukup cocok untuk meniru semua pertunjukan nonlinier karena itu derajat kebebasan yang memadai (yaitu bobot koneksi) tersedia (mis. [14]. Jumlah input model sama dengan jumlah node di lapisan input, sedangkan jumlah node di lapisan output ditetapkan oleh jumlah model output. Dengan demikian, empat faktor yang diidentifikasi sebagai input dalam model penelitian (mis. SIM, akurasi, keterkaitan, kelengkapan informasi) digunakan sebagai input untuk analisis jaringan saraf dan tiga faktor itu diidentifikasi sebagai keluaran dalam model penelitian (gambar 1) (yaitu akurasi, kecepatan dan kemudahan keputusan manajerial) sesuai dengan output untuk analisis jaringan saraf. Itu Aspek kritis dalam penentuan arsitektur jaringan adalah pilihan jumlah node di lapisan tersembunyi dan karenanya jumlah bobot koneksi [11]. Jumlahnya neuron di lapisan tersembunyi akan bervariasi untuk berbeda aplikasi dan biasanya bisa bergantung pada ukuran set pelatihan dan jumlah variabel input. Tiga aturan heuristik yang disebutkan dalam referensi terbaru misalnya [14] dicoba oleh penelitian ini dan ditemukan bahwa kesesuaian optimal antara input dan output dicapai dengan a jaringan dengan lapisan tersembunyi tunggal 4 node. Itu struktur model JST yang telah digunakan dalam penelitian ini divisualisasikan dalam Gambar 2. Halaman 4 130 Sistem Informasi Manajemen, Dimensi Konseptual Kualitas Informasi dan Kualitas Keputusan Manajerial: Pemodelan Jaringan Saraf Tiruan Gambar 2. Arsitektur model JST penelitian 5. Analisis Data Tahap pertama dalam pra-pemrosesan data dan penyaringan data merawat data yang hilang dan outlier. sang peneliti mengganti nilai yang hilang dengan nilai rata-rata dari masing-masing variabel karena ini adalah metode yang paling umum dari data yang hilang pengobatan di antara para peneliti [10]. Tahap selanjutnya dalam data proses penyaringan mendeteksi outlier. Pencilan adalah kasing yang menyimpang begitu banyak dari kasus-kasus lain dan berbaring di luar pola umum distribusi untuk menimbulkan kecurigaan bahwa itu dihasilkan oleh mekanisme yang berbeda [15]. Data outlier, ketika ditemukan, harus dihapus atau diganti; semua kuesioner dipertahankan pada tahap ini. Tahap kedua dalam pra-pemrosesan data dan penyaringan data adalah pengujian data normalitas. Mengenai dalam penelitian ini rata-rata kesalahan kuadrat (MSE) berfungsi untuk mengoptimalkan koneksi bobot dalam model JST, data harus normal didistribusikan untuk mendapatkan hasil yang optimal [11]. Ada beberapa algoritma pemrosesan data umum itu menghapus varian yang tidak diinginkan dan meningkatkan konten informasi tentang data. Salah satu tekniknya adalah normalisasi yang biasanya menghilangkan redundan informasi dari kumpulan data, memadatkan atau membuatnya lain dengan satu atau lebih fitur. Prinsip dari normalisasi adalah untuk mengurangi vektor (atau kumpulan data) menjadi a panjang satuan standar, biasanya 1. Selanjutnya perlu untuk skala ulang semua input (biasanya antara 0 dan 1 atau antara –1 dan 1). Ini adalah metode pencadangan yang diperlukan untuk variabel dependen skala jika lapisan keluaran menggunakan fungsi aktivasi sigmoid. Dalam penelitian ini sigmoid fungsi aktivasi digunakan karena dibandingkan dengan fungsi aktivasi lainnya (yaitu singgung Hiperbolik fungsi) fungsi aktivasi sigmoid memiliki jumlah kurang kesalahan kotak (SSE). Menurut [16] untuk skala data input X tertentu: = (-) / (-). Penyetelan ulang data dilakukan untuk semua input dalam set data sehingga awalnya semua variabel input memiliki kepentingan dan selama fase pembelajaran, jaringan sengaja diubah pentingnya variabel, dengan mengubah kekuatan koneksi antara lapisan input dan yang disembunyikan lapisan. Akhirnya kumpulan data harus dibagi dalam dua set, a set pelatihan dan set tes. Dalam penelitian ini sekitar 72% data set (150) digunakan untuk melatih JST dan 28% dari set data (58) digunakan untuk pengujian dan validasi. Tahap selanjutnya adalah proses optimalisasi bobot koneksi yang dikenal sebagai 'pelatihan' atau 'belajar'. Prosesnya dilakukan dengan mengubah bobot setiap koneksi (secara iteratif dan simultan) ke meminimalkan kesalahan antara output yang diinginkan dan aktual keluaran. Dalam penelitian ini pelatihan dilakukan dalam batch mod. Mode batch memperbarui bobot sinaptik hanya setelah lewat semua catatan data pelatihan; yaitu, pelatihan batch menggunakan informasi dari semua catatan dalam set data pelatihan. Batch pelatihan sering lebih disukai karena memaksa pencarian bergerak ke arah gradien sebenarnya pada setiap berat memperbarui dan secara langsung meminimalkan kesalahan total dan sebagian besar berguna untuk dataset "lebih kecil" [11]. Kinerja model telah dinilai berdasarkan akurasi prediksi. Sebagai ukuran kinerja, Sum-Squared-Error (SSE) dan mean-squared-error (MSE) antara jumlah riil parameter kinerja dan jumlah yang diperkirakan (keluaran JST) dibandingkan. Di penelitian ini fungsi aktivasi sigmoid dipekerjakan di semua lapisan karena dibandingkan dengan aktivasi lainnya fungsi (Hiperbolik tangen dan fungsi Linier) dan berdasarkan Sum-Squared-Error (SSE) dan mean-squared-error (MSE) sebagai ukuran kinerja, fungsi aktivasi sigmoid memiliki SSE dan MSE lebih sedikit (Tabel 2). Halaman 5 Universal Journal of Management 6 (4): 127-133, 2018 131 Tabel 2. Kinerja jaringan berdasarkan fungsi aktivasi Linier Sigmoid Hiperbolik Tangen Fungsi Transfer (aktivasi) Item 0,760 0,681 0,753 Sum-squared-Error (SSE) 58 58 58 Jumlah kumpulan data pengujian (N) 0,0141 0,0119 0,0132 Mean-squared-error (MSE) Catatan: Seperti dibahas sebelumnya. Dalam penelitian ini sekitar 72% dari kumpulan data (150) digunakan untuk pelatihan JST dan 28% dari kumpulan data (58) digunakan untuk pengujian dan validasi. Nilai R sq juga dihitung untuk mengevaluasi kinerja model jaringan. R sq adalah jumlah varian variabel dependen yang “diperhitungkan” atau “dijelaskan” oleh variabel independen. Nilai r sq dari endogen variabel sama dengan kekuatan prediksi model. Lebih tepatnya, R sq atau (R 2 ) adalah momen produk kuadrat koefisien korelasi dan bervariasi antara 0 dan 1 dan semakin dekat ini ke 1 semakin baik variasi ketergantungan variabel dijelaskan oleh variabel independen. Misalnya, jika R sq adalah 1 maka variabel independen dicatat semua variasi dari variabel dependen. Dengan demikian, dapat disimpulkan bahwa semakin tinggi nilai R sq , semakin besar kemampuan prediksi model [10]. Namun, tidak ada aturan-of-thumb untuk membuat keputusan bahwa apa tingkat atau R persegi adalah cukup tinggi, hanya nilainya dapat meningkat dengan menambahkan lebih banyak variabel independen, bahkan ketika kontribusi mereka variabel tidak disengaja atau sangat kecil [17]. Tabel 3. Kinerja jaringan berdasarkan nilai R 2 Kemudahan Keputusan Kecepatan Keputusan Akurasi Keputusan Output jaringan Performa jaringan 0,602 0,549 0,519 R2 0,0060 0,0057 0,0011 MSE 0,0774 0,0755 0,0332 RMSE Tahap selanjutnya adalah penentuan kontribusi berbagai faktor terhadap jaringan. Kontribusi yang berbeda faktor ke jaringan ditentukan oleh besarnya koneksi tertimbang mereka (positif atau negatif) ke tersembunyi node (Tabel 4). Pemeriksaan koneksi antara hidden node dan output node kemudian menunjukkan dampak yang disembunyikan node (dan dengan demikian kombinasi faktor-faktor yang berkontribusi) terhadap output kinerja (Tabel 5). Koneksi itu ditandatangani secara positif pada kedua tahap, memiliki efek peningkatan pada node yang disembunyikan atau keluaran, sementara ditandatangani secara negatif koneksi memiliki efek penghambatan [18]. Tabel 4. Topologi jaringan saraf pada hubungan antara variabel utama Ke lapisan tersembunyi Prediktor Total kontribusi H (1: 4) H (1: 3) H (1: 2) H (1: 1) Dari lapisan input 3.314 .659 1.514 0,588 0,553 (Bias) 2.627 0,378 0,821 -1.023 0,405 SALAH 1.366 -.076 0,368 0,661 .261 Akurasi informasi 1,049 0,371 0,001 0,370 0,307 Keterkaitan informasi 1.074 0,026 -239 -408 -401 kelengkapan informasi Tabel 5. Dampak dari simpul tersembunyi pada simpul keluaran Dari lapisan yang tersembunyi HN4 HN3 HN2 HN1 (Bias) Ke lapisan output 0,614 0,797 -1.341 0,116 -.028 akurasi Keputusan 0,959 1,049 -0,999 0,347 -.578 Kecepatan Keputusan 0,750 1.137 -0,619 1.016 -0.870 Kemudahan Keputusan 2.323 2.983 2.959 1.479 3.476 Total kontribusi Halaman 6 132 Sistem Informasi Manajemen, Dimensi Konseptual Kualitas Informasi dan Kualitas Keputusan Manajerial: Pemodelan Jaringan Saraf Tiruan Mengamati penemuan jaringan, faktor pertama lapisan input (SIM) memiliki kontribusi total tertinggi (2.627) ke empat node tersembunyi yang terdiri dari hidden lapisan. Kontribusi total tertinggi kedua berasal dari Faktor akurasi informasi (1,366), sedangkan yang ketiga simpul di lapisan input (keterkaitan informasi) memiliki level terendah dari total dampak lapisan tersembunyi (1,049). Menurut temuan, SIM dan akurasi informasi faktor memiliki kontribusi tinggi ke jaringan (2.627, 1.366 masing - masing) dan keterkaitan informasi memiliki kontribusi total terendah ke jaringan (1.049). Seperti dapat dilihat pada Tabel 4, dampak terkuat berasal dari faktor input MIS diarahkan ke simpul tersembunyi 3. Faktor input lainnya (keakuratan informasi dan Keterkaitan Informasi) juga memiliki kontribusi dan bobot positif pada simpul tersembunyi 3 Di sisi lain tersembunyi simpul 3 memiliki bobot kontribusi yang memengaruhi semua output tindakan (lihat Tabel 5 untuk dampak node tersembunyi pada output node) mengungkapkan bahwa kombinasi faktor MIS dan akurasi dan keterkaitan informasi memiliki kombinasi memberikan kontribusi (positif) dampak pada output (1.137.1.049 dan 0.797 untuk kemudahan keputusan, kecepatan keputusan dan keakuratan keputusan masing-masing). MIS, keterkaitan dan kelengkapan informasi juga memiliki kontribusi dan bobot positif pada simpul tersembunyi 4 dan hidden node 4 memiliki kontribusi bobot yang berdampak semua ukuran output. MIS, akurasi dan keterkaitan informasi memiliki kontribusi dan bobot positif hidden node 1 dan hidden node 1 memiliki bobot kontribusi berdampak pada semua ukuran output. Temuan ini bisa jadi ditafsirkan sebagai mengungkapkan penggabungan mempengaruhi MIS dan keakuratan informasi dapat berdampak positif pada output dan dampak ini lebih kuat pada kemudahan keputusan dan kecepatan keputusan daripada akurasi keputusan. Dampak negatif tertinggi (bobot penghambatan) milik MIS (-1.023) dan kelengkapan informasi (-0,408) dan simpul tersembunyi ini (simpul tersembunyi 2) menunjukkan a efek penghambatan (berat) sangat tinggi pada output. Ini Temuan dapat diartikan sebagai hal yang negatif dampak MIS dan dimensi informasi konseptual kualitas digabung bersama ini akan menghasilkan sangat tinggi dampak negatif pada kualitas keputusan manajerial. Saya t berarti perusahaan yang memiliki level MIS yang lebih tinggi dan pada saat yang sama memiliki tingkat informasi yang lebih tinggi kualitas akan memiliki tingkat kualitas keputusan yang lebih tinggi dan dan sebaliknya. Berkenaan dengan bobot kontribusi (dampak positif) dan bobot penghambatan (dampak negatif) dari setiap input faktor ke node tersembunyi dan juga efek dari tersembunyi simpul pada simpul keluaran dapat diungkap bahwa ada hubungan positif antara SIM dan kualitas keputusan manajerial dan hubungan ini lebih kuat dengan dimensi konseptual kualitas informasi. Memiliki hasil yang lebih jelas tentang pengaruh masing-masing variabel input dan kontribusinya terhadap output, variabel independen analisis dengan metode koneksi berat dilakukan di selanjutnya bagian. 5.1. Analisis Pentingnya Variabel Independen Pentingnya analisis atau analisis sensitivitas input melakukan analisis sensitivitas, yang menghitung pentingnya setiap prediktor dalam menentukan saraf jaringan. Analisis ini didasarkan pada pelatihan gabungan dan menguji sampel. Metode ini digunakan untuk menentukan pengaruh masing-masing variabel input dan kontribusinya terhadap hasil. Semakin besar jumlah untuk node input yang diberikan, maka lebih pentingnya variabel input yang sesuai [19] Kepentingan relatif dari variabel input yang diberikan dapat didefinisikan sebagai: = (W I − H W H − O ) ℎ =1 Di mana RI adalah kepentingan relatif dari variabel input I, h adalah jumlah total node tersembunyi, W I-H adalah bobot koneksi antara input I dan hidden node H, dan W H-O adalah bobot dari koneksi yang disembunyikan simpul H dan simpul keluaran. Seperti dapat dilihat pada Tabel 6, MIS dan keakuratan informasi memiliki kepentingan tertinggi jaringan dan akibatnya paling tinggi pengaruhnya terhadap faktor keluaran. Tabel 6. Analisis sensitivitas input Dinormalisasi Pentingnya Pentingnya Faktor-faktor 100% 0,606 SALAH 28,2% 0,171 akurasi informasi 14,8% 0,090 Keterkaitan dari Informasi 22,1% 0,134 Kelengkapan Informasi 6. Kesimpulan Hasil analisis menunjukkan bahwa SIM dan konseptual Dimensi kualitas informasi berpengaruh positif kualitas keputusan manajerial dan efek ini lebih kuat ketika MIS dan dimensi informasi konseptual kualitas digabung. Dengan kata lain, perusahaan yang memilikinya kualitas informasi yang lebih tinggi, hubungan antara SIM dan kualitas keputusan manajerial lebih kuat. Berdasarkan analisis jaringan saraf, SIM adalah faktor penting itu berpengaruh signifikan terhadap pengambilan keputusan. Meskipun, mengingat efek faktor-faktor lain, SIM efek kontribusi lebih tinggi pada pengambilan keputusan ketika tingkat dimensi informasi konseptual kualitas lebih tinggi dan dampak ini lebih kuat pada kemudahan keputusan dan kecepatan keputusan daripada akurasi keputusan. Mengenai kinerja jaringan dan berdasarkan fungsi aktivasi, Dalam penelitian ini aktivasi sigmoid Fungsi dipekerjakan di semua lapisan karena dibandingkan dengan Halaman 7 Universal Journal of Management 6 (4): 127-133, 2018 133 fungsi aktivasi lainnya (Hiperbolik singgung dan Fungsi linear) dan berdasarkan Sum-Squared-Error (SSE) dan mean-squared-error (MSE) sebagai ukuran kinerja, fungsi aktivasi sigmoid memiliki kurang (SSE) dan (UMK) dan itu berarti ada hubungan non-linear antara MIS dan kualitas keputusan manajerial. Di lain kata memiliki SIM tidak dapat menjamin kualitas keputusan manajerial dan kebutuhan keputusan berkualitas informasi yang akurat, terkait dan lengkap juga. REFERENSI [1] IA AJAYI dan FF OMIRIN, "Penggunaan Manajemen Sistem Informasi (SIM) Dalam Pengambilan Keputusan Dalam Universitas Nigeria Barat Daya, " Penelitian Pendidikan dan Tinjau, vol. 2, hlm. 109-116, 2007. [2] S. NOWDURI, "Sistem informasi manajemen dan pengambilan keputusan bisnis: tinjauan, analisis, dan rekomendasi, " Jurnal Manajemen dan Pemasaran Penelitian, vol. 7, 2011 [3] RG MURDICK dan JC MUNSON, MIS, konsep dan desain . Prentice-Hall, Inc., 1986. [4] DC Bose, Prinsip Manajemen dan Administrasi . Delhi, 2012. [5] DJ POWER, Sistem pendukung keputusan: historis ikhtisar, Buku Pegangan tentang Sistem Pendukung Keputusan . Berlin Heidelberg: Springers 2008. [6] A. ASEMI dan SA, "Peran Manajemen Sistem Informasi (SIM) dan Sistem Pendukung Keputusan (DSS) untuk Proses Pengambilan Keputusan Manajer, " Jurnal Internasional Bisnis dan Manajemen, vol. 6, 2011 [7] M. ALKHAFFAF, "Peran Sistem Informasi di Indonesia Pengambilan Keputusan: Kasus Jordan Bank, " Komputer Teknik dan Sistem Cerdas, vol. 3, 2012 [8] A. Ghadimie dehghanpour, R. Sohrabi, dan H. Soleyman, "Mengevaluasi efektivitas informasi manajemen sistem (SIM) pada kemampuan pengambilan keputusan manajer, "dipresentasikan pada konferensi Nasional ke - 2 di Jakarta Ilmu manajemen, Iran, 2014. [9] A. BRYMAN, Metode penelitian sosial . New York: Oxford, 2008 [10] J. HAIR, R. ANDERSON, R. TATHAM, dan C. WILLIAM, Analisis data multivarian . NJ: Prentice Hall, 1998 [11] HR MAIER dan GC DANDY, "jaringan saraf untuk prediksi dan peramalan variabel sumber daya air: a meninjau masalah pemodelan dan aplikasi, " pemodelan dan perangkat lunak lingkungan, vol. 15, hlm. 101-124, 2000 [12] M. SILVA, L. MOUTINHO, A. COELHO, dan A. MARQUES, "Orientasi dan kinerja pasar: pemodelan jaringan saraf, " European Journal of Pemasaran, vol. 43, hlm. 421-437, 2007. [13] PA PHILLIPS, FM DAVIS, dan L. MOUNTINHO, "itu efek interaktif dari perencanaan pemasaran strategis dan kinerja: analisis jaringan saraf, " Jurnal Manajemen pemasaran, vol. 17, hlm. 159-182, 2001. [14] O. SHARIATI, AA MOHD ZIN, A. KHAIRUDDIN, dan MR AGHAMOHAMMADI, "Aplikasi Neural Pengamat Jaringan untuk Estimasi On-line Tiang-Salient Parameter Dinamis Generator Sinkron menggunakan Data Pengoperasian, " Electr Eng, Springer ,, vol. 94, 2012. [15] HANS-PETER KRIEGEL, P. KRöGER, dan A. ZIMEK., "Teknik Deteksi Outlier," disajikan pada ACM ke-16 Konferensi SIGKDD tentang Penemuan Pengetahuan dan Data Penambangan, Munich, Jerman., 2010. [16] R.-S. GUH, "Efek non-normalitas pada saraf tiruan pengenal pola bagan kendali berbasis jaringan, " Jurnal PT Institut Insinyur Industri Tiongkok, vol. 19, 2002. [17] M. SAFIEK, "Pengaruh Agama pada Ritel Perilaku Perlindungan di Malaysia, "University of Stirling, Inggris, 2006. [18] L. MOUTINHO dan PA PHILLIPS, "dampak dari perencanaan strategis pada daya saing, kinerja dan efektivitas cabang bank: analisis jaringan saraf " Jurnal Internasional Pemasaran Bank, vol. 20, hlm. 102-110, 2002. [19] M. PALIWAL dan UA KUMAR, "Menilai kontribusi variabel dalam jaringan umpan maju, " Komputasi Lunak Terapan, vol. 11, hlm. 3690-96, 2011.
