Prediksi Financial Distress Pada Perusahaan Yang Terdaftar Di Bursa Efek Indonesia Menggunakan Algoritma Decision Tree
Abstract
Prediksi financial distress pada perusahaan yang terdaftar di Bursa Efek Indonesia dengan menerapkan algoritma decision tree menggunakan data sebanyak 750 records, dimana 90% data dengan jumlah 675 digunakan sebagai data training. Sedangkan 10% data dengan jumlah 75 digunakan sebagai data testing. Penelitian ini bertujuan untuk mengetahui prediksi financial distress pada perusahaan yang terdaftar di Bursa Efek Indonesia. Implentasi data menggunakan tools Orange Data Mining dengan algoritma decision tree memperoleh tingkat akurasi sebesar 98.7%, F1 Score sebesar 98.8%, Precision sebesar 97.6%, Recall sebesar 1.00%,. Dengan nilai Area Under Curve (AUC) sebesar 98.4% termasuk dalam kelompok “Excellent Classification”. Hasil evaluasi menggunakan confusion matrix memperoleh tingkat akurasi sebesar 98.7%, F1 Score sebesar 98,6% Precision sebesar 97.7%, Recall sebesar 99.7%, dan Specificity sebesar 97.5%. Hasil evaluasi menggunakan grafik ROC Analyis algoritma decision tree hasil kurva menunjukkan lebih dekat dengan batas kiri mendekati 1. Dengan rasio “Debt to Tottal Asset Ratio (DAR)” yang menjadi root node (akar) dalam pola pohon keputusan dalam penelitian ini.
Keywords
Full Text:
PDFReferences
E. Tusianti and D. R. Prihatinningsih, “Analisis Isu Terkini 2020,” p. 89, 2020, [Online]. Available: https://www.bps.go.id/publication/2021/12/17/cbf55095af484eae147e2b2e/analisis-isu-terkini-2021.html
BEI, “Notasi Khusus,” IDX Channel. https://www.idx.co.id/perusahaan-tercatat/notasi-khusus/
Yuli Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Jurnal Edik Informatika,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2019.
D. Made, A. Mertha, and A. A. I. I. Paramitha, “Penerapan Data Mining untuk Prediksi Mahasiswa Berpotensi Non- Aktif Menggunakan Algoritma C4 . 5 : Studi Kasus STMIK Primakara,” vol. 6, pp. 84–97, 2022.
R. Hermawan and K. Herusantoso, “Penggunaan Teknik Data Mining untuk Memprediksi Financial Distress pada Pemerintah Daerah Kabupaten/Kota di Indonesia,” no. 2014, pp. 3–4, 2015, [Online]. Available: http://juliwi.com/published/E0205/PITIWI2-25.pdf
Muksan Junaidi, “Model Data Mining Dan Rasio Altman Untuk Prediksi Financial Distress Perusahaan Muksan Junaidi *, Ratna Dwi Rahayu,” vol. 2, pp. 41–49, 2019.
N. Ketut, M. Astuti, N. W. Utami, I. G. Putu, and K. Juliharta, “Classification Of Blood Donor Data Using C4 . 5 And K-Nearest Neighbor Method ( Case Study : Utd Pmi Bali Province ),” vol. 18, no. 1, 2022, doi: 10.33480/pilar.v18i1.2790.
N. W. U. A. A. I. I. Paramitha, “Penerapan Data Mining Untuk Mengetahui Pola Pemilihan Program Studi Di Stmik Primakara Menggunakan Algoritma K-Means Clustering,” J. Teknol. Inf. dan Komput., no. Vol 7, No 4 (2021): Jurnal Teknologi Informasi dan Komputer, 2021, [Online]. Available: https://jurnal.undhirabali.ac.id/index.php/jutik/article/downloadSuppFile/1540/1208
H. Hozairi, A. Anwari, and S. Alim, “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes,” Netw. Eng. Res. Oper., vol. 6, no. 2, p. 133, 2021, doi: 10.21107/nero.v6i2.237.
“Orange Data Mining,” 2023. https://orangedatamining.com/widget-catalog/evaluate/rocanalysis/
DOI: https://doi.org/10.31284/p.snestik.2023.4102
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Ni Putu Riska Handayani, Nengah Widya Utami, I Gst. Agung Pramesti Dwi Putri
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.