Implementasi SMOTE dan Under Sampling pada Imbalanced Dataset untuk Prediksi Kebangkrutan Perusahaan
DOI:
https://doi.org/10.35143/jkt.v7i2.5027Kata Kunci:
imbalanced dataset, prediksi kebangkrutan, smote, under sampling, multilayer perceptron, complement naive bayesAbstrak
Kebangkrutan pada suatu perusahaan menjadi masalah yang serius karena dapat menyebabkan kerusakan ekonomi serta konsekuensi sosial lainnya. Sangat penting untuk melakukan prediksi kebangkrutan sedini mungkin karena prediksi ini dapat bermanfaat untuk evaluasi serta merencanakan tindakan pencegahan dalam menghindari kebangkrutan. Prediksi kebangkrutan merupakan salah satu permasalahan imbalanced classification karena data dengan kelas bangkrut jauh lebih sedikit daripada kelas tidak bangkrut. Penelitian ini bertujuan untuk menghasilkan model klasifikasi yang baik untuk melakukan prediksi kebangkrutan. Resampling diterapkan pada data latih agar menghasilkan model klasifikasi yang lebih optimal. Metode resampling yang digunakan adalah kombinasi SMOTE dan under sampling. Metode klasifikasi yang digunakan untuk prediksi adalah multilayer perceptron dan complement naïve bayes. Performa prediksi dihitung menggunakan skor recall, ROC AUC, dan PR AUC. Berdasarkan hasil pengujian, penggunaan SMOTE dan under sampling cukup signifikan dalam memperbaiki model klasifikasi pada multilayer perceptron. Pada prediksi menggunakan complement naïve bayes, nilai recall dan PR AUC juga meningkat. Recall terbaik yang diperoleh sebesar 95,45% dengan metode complement naïve bayes. Untuk ROC AUC tertinggi dengan resampling juga diperoleh menggunakan complement naïve bayes sebesar 87,80%. Oleh karena itu, disimpulkan bahwa prediksi kebangkrutan menggunakan teknik resampling yaitu SMOTE dan under sampling dapat menghasilkan performa baik untuk pendeteksian kelas bangkrut.Unduhan
Referensi
A. S. Ramadhani and N. Lukviarman, "Perbandingan Analisis Prediksi Kebangkrutan Menggunakan Model Altman Pertama, Altman Revisi, Dan Altman Modifikasi Dengan Ukuran Dan Umur Perusahaan Sebagai Variabel Penjelas (Studi Pada Perusahaan Manufaktur Yang Terdaftar Di Bursa Efek Indonesia)," Jurnal Siasat Bisnis, vol. 13, no. 1, pp. 15-28, April 2009.
Y. Cao, X. Liu, J. Zhai and S. Hua, "A two-stage Bayesian network model for corporate bankruptcy prediction," International Journal of Finance & Economics, pp. 1-18, 2020.
N. H. Matturungan, B. Purwanto and A. K. Irwanto, "Manufacturing Company Bankruptcy Prediction in Indonesia with Altman Z-Score Model," Journal of Applied Management, vol. 15, no. 1, pp. 18-24, March 2017.
D. Liang, C.-C. Lu, C.-F. Tsai and G.-A. Shih, "Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study," European Journal of Operational Research, vol. 252, pp. 561-572, 2016.
T. Le, M. Y. Lee, J. R. Park and S. W. Baik, "Oversampling Techniques for Bankruptcy Prediction: Novel Features from a Transaction Dataset," Symmetry, vol. 10, pp. 79-91, 2018.
T. Le, L. H. Son, M. T. Vo, M. Y. Lee and S. W. Baik, "A Cluster-Based Boosting Algorithm for Bankruptcy Prediction in a Highly Imbalanced Dataset," Symmetry, vol. 10, pp. 250-262, 2018.
P. Vuttipittayamongkol and E. Elyan, "Improved Overlap-based Undersampling for Imbalanced Dataset Classification with Application to Epilepsy and Parkinson’s Disease," International Journal of Neural Systems, pp. 1-16, 2020.
S. Makki, Z. Assaghir, Y. Taher, R. Haque, M.-S. Hacid and H. Zeineddine, "An Experimental Study With Imbalanced Classification Approaches for Credit Card Fraud Detection," IEEE Acess, pp. 93010-93022, 2019.
A. K. I. Hassan and A. Abraham, "Modeling Insurance Fraud Detection Using Imbalanced Data Classification," Advances in Nature and Biologically Inspired Computing, Advances in Intelligent Systems and Computing, pp. 117-127, 2016.
T. Kim and H. Ahn, "A Hybrid Under-sampling Approach for Better Bankruptcy Prediction," Journal of Intelligence and Information Systems, pp. 173-190, 2015.
J. Horak, J. Vrbka and P. Suler, "Support Vector Machine Methods and Artificial Neural Networks Used for the Development of Bankruptcy Prediction Models and their Comparison," Journal of Risk and Financial Management, p. 60, 2020.
Y. Bae and H. Lee, "Sentiment analysis of twitter audiences: Measuring the positive or negative influence of popular twitterers," Journal of the American Society for Information Science and Technology, vol. 63, no. 12, pp. 2521-2535, 2012.
N. V. Chawla, K. W. Bowyer, L. O. Hall and W. P. Kegelmeyer, "SMOTE: Synthetic Minority Over-sampling Technique," Journal Of Artificial Intelligence Research, vol. 16, pp. 321-357, 2002.
H. He and Y. Ma, Imbalanced Learning: Foundations, Algorithms, and Applications 1st Edition, New Jersey: IEEE Press Wiley, 2013.
E. P. Cynthia and E. Ismanto, "Jaringan Syaraf Tiruan Algoritma Backpropagation dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau," Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, vol. 2, no. 2, pp. 83-98, 2017.
J. D. Rennie, L. Shih, J. Teevan and D. R. Karger, "Tackling the poor assumptions of naive bayes text classifiers," CML, vol. 3, pp. 616-623, 2003.
T. Saito and M. Rehmsmeier, "The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets," PLoS ONE, vol. 10, no. 3, p. e0118432, 2015.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2021 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
