Penerapan Metode Oversampling SMOTE Pada Algoritma Random Forest Untuk Prediksi Kebangkrutan Perusahaan

Abstract

Kemajuan teknologi informasi berkembang kearah finansial dalam melakukan prediski. Banyak model algoritma prediksi data keuangan telah dikembangkan. Prediksi kebangkrutan merupakan sesuatu yang sangat penting bagi organisasi atau perusahaan dalam mengambil keputusan yang diperlukan oleh pemodal dan investor. Prediksi kebangkrutan termasuk dalam permasalahan ketidakseimbangan kelas dalam model kalsifikasi karena jumlah data yang termasuk dalam kelas bangkrut jauh lebih sedikit dibandingkan dengan data yang termasuk dalam kelas tidak bangkrut. Tujuan dari penelitian ini adalah untuk menghasilkan model klasifikasi yang baik untuk prediksi risiko kebangkrutan pada perusahaan. preprocessing data dilakukan untuk melakukan optimasi algoritma klasifikasi dengan metode oversampling SMOTE agar menghasilkan model kalsifikasi yang optimal. Algoritma klasifikasi yang digunakan adalah Random Forest Classification untuk mendapatkan hasil prediksi kebangkrutan yang optimal. Berdasarkan hasil pengujian yang telah dilakukan didapatkan bahwa performa klasifikasi meningkat sebesar 7,40% setelah dilakukan preprocessing data dengan menggunakan teknik oversampling SMOTE pada algoritma Random Forest Classifier.