Prediksi Kebangkrutan Perusahaan Menggunakan Algoritma Decision Tree Berbasis Teknik Resampling
Article Sidebar
Main Article Content
Abstract
Kondisi keuangan perusahaan memiliki persentase terbesar dalam mempengaruhi kebangkrutan. Sebagai tindakan pencegahan kebangkrutan perusahaan, diperlukan sebuah peramalan atau prediksi kebangkrutan berdasarkan kondisi keuangan perusahaan dilihat dari analisa laporan keuangan perusahaan. Prediksi dapat dilakukan dengan pendekatan penggunaan rasio keuangan dan pendekatan pembelajaran mesin. Melalui pendekatan pembelajaran mesin, algoritma akan menganalisa data keuangan perusahaan untuk mempelajari pola dan karakteristik tertentu hingga dapat memprediksi apakah suatu perusahaan dikatakan bangkrut atau tidak. Pendekatan pembelajaran mesin menggunakan data sampel keuangan perusahaan, akan tetapi sampel perusahaan yang tidak bangkrut atau sehat lebih banyak dari sampel perusahaan yang bangkrut. Terdapat 6.599 sampel perusahaan sehat (96,77%) dan hanya 220 sampel perusahaan yang bangkrut (3,23%) sehingga mungkin akan menurunkan kualitas prediksi algoritma machine learning. Sehingga untuk meningkatkan kualitas prediksi algoritma digunakan optimasi pada level data yaitu resampling. Terdapat dua jenis teknik resampling yaitu mengurangi sampel (undersampling) dan menambah sampel (oversampling). Algoritma decision tree digunakan karena dinilai sederhana dan mudah diimplementasikan. Diharapkan teknik resampling dapat meningkatkan kualitas algoritma decision tree untuk memprediksi kebangkrutan perusahaan. Hasil penelitian pada dataset awal menghasilkan akurasi 94%, akan tetapi kualitas prediksi pada kasus perusahaan yang bankrupt sangatlah rendah. Sementara akurasi pada dataset yang telah dilakukan undersampling menghasilkan akurasi hanya 75% sementara akurasi pada dataset yang telah dilakukan oversampling menghasilkan akurasi sebesar 98%.
Article Details
References
P. R. Masdiantini dan S. N. M. Warasniasih, “Laporan Keuangan dan Prediksi Kebangkrutan,” JIA (Jurnal Ilmiah Akutansi), pp. 196-220, 2020.
M. Hanafi dan A. Halim, Analisis Laporan Keuangan (Kelima), Yogyakarta: UPP STIM YPKN, 2016.
J. Mandalurang, P. V. Rate dan V. N. Untu, “Analisis Kebangkrutan dengan Menggunakan Metode Altman dan Springate pada Industri Perdagangan Ritel yang Terdaftar di BEI Periode 2014-2018,” Jurnal EMBA, pp. 4358-4366, 2019.
R. Effendi, “ANALISIS PREDIKSI KEBANGKRUTAN DENGAN METODE ALTMAN, SPRINGATE, ZMIJEWSKI, FOSTER, DAN GROVER PADA EMITEN JASA TRANSPORTASI,” PARSIMONIA, pp. 307-318, 2018.
I. Sulistiani, E. Mufida, P. M. Yasser dan L. Alamsyah, “Systematic LiteratureReview:Bankruptcy PredictionMenggunakanTeknikMachine Learningdan Deep Learning,” INFORMATIKA DAN TEKNOLOGI (INTECH), pp. 13-18, 2021.
F. Firdaus dan A. Mukhlis, “Implementasi Algoritma Naive Bayes Pada Data Set Kualitatif Prediksi,” JURIKOM (Jurnal Riset Komputer), pp. 15-20, 2020.
H. Saleh, “PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION,” ILKOM JURNAL ILMIAH , pp. 173-180, 2017.
A. Setiadi, “DATA MINING UNTUK PREDIKSI KEBANGKRUTAN PERUSAHAAN BERDASARKAN DATA KUALITATIF,” dalam Seminar Nasional Inovasi dan Tren, Jakarta, 2014.
B. Siswoyo, “MultiClass Decision Forest Machine Learning Artificial Intelligence,” Journal of Applied Informatics and Computing (JAIC), pp. 1-7, 2020.
W. I. Sabilla dan C. B. Vista, “Implementasi SMOTE dan Under Sampling pada Imbalanced Dataset untuk Prediksi Kebangkrutan Perusahaan,” Jurnal Politeknik Caltex Riau, pp. 329-339, 2021.
D. Liang, C. Lu, C. Tsai dan G. Shih, “Financial Ratios and Corporate Governance Indicators in Bankruptcy Prediction: A Comprehensive Study,” European Journal of Operational Research, pp. 561-572, 2016.
A. Saifudin dan R. S. Wahono, “Pendekatan Level Data untuk Menangani Ketidakseimbangan Kelas pada Prediksi Cacat Software,” Journal of Software Engineering, pp. 76-85, 2015.
N. Paramitha, E. Junianto dan S. Susanti, “Penerapan Teorema Bayes Untuk Diagnosis Penyakit Pada Ibu Hamil Berbasis Android,” Jurnal Informatika, vol. 6, no. 1, pp. 53-61, 2019.
I. Sutoyo, “IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI DATA PESERTA DIDIK,” Pilar Nusa Mandiri, pp. 217-224, 2018.
N. Ratama, “Analisa Dan Perbandingan Sistem Aplikasi Diagnosa Penyakit Asma Dengan Algoritma Certainty Factor Dan Algoritma Decision Tree Berbasis Android,” Jurnal Informatika, 2018.
. N. Nurajijah dan D. Riana, “Algoritma Naive Bayes, Decision Tree, dan SVM untuk Klasifikasi Persetujuan Pembiayaan Nasabah Koperasi Syariah,” Jurnal Teknologi dan Sistem Komputer, 2019.
Y. Ramdhani dan D. Riana, “Hierarchical Decision Approach based on Neural Network and Genetic Algorithm method for single image classification of Pap smear,” dalam 2017 Second International Conference on Informatics and Computing (ICIC), 2017.
D. Riana, Y. Ramdhani, T. P. Rizki dan A. N. Hidayanto, “Riana, D., Ramdhani, Y., Rizki, T. P., & Hidayanto, A. N. (2018). Improving hierarchical decision approach for single image classification of pap smear.,” International Journal of Electrical and Computer Engineering, p. 5415, 2018.
R. T. Prasetio, “Prasetio, R. T. (2020). Genetic Algorithm to Optimize k-Nearest Neighbor Parameter for Benchmarked Medical Datasets Classification,” Jurnal Online Informatika, pp. 153-160, 2020.