Pebandingan Metode K-Nearest Neighbor dan Adaptive Boosting pada Kasus Klasifikasi Multi Kelas

Abstract

Kesehatan keuangan perusahaan memberikan suatu indikasi kinerja perusahaan yang berguna untuk mengetahui posisi perusahaan dalam area industri. Kinerja perusahaan perlu diprediksi untuk mengetahui perkembangan perusahaan. K-Nearest Neighbor (KNN) dan Adaptive Boosting (AdaBoost) merupakan metode klasifikasi yang dapat digunakan untuk memprediksi kinerja perusahaan. KNN mengklasifikasikan data berdasarkan kedekatan jarak data sedangkan AdaBoost bekerja dengan konsep memberi bobot lebih pada amatan yang termasuk weak learner. Tujuan dari penelitian ini adalah membandingkan metode KNN dan AdaBoost untuk mengetahui metode yang lebih baik dalam memprediksi kinerja perusahaan di Indonesia. Variabel dependen yang digunakan dalam penelitian ini adalah kinerja perusahaan yang digolongkan ke dalam empat kelas yaitu tidak sehat, kurang sehat, sehat, dan sehat sekali. Variabel independen yang digunakan terdiri atas tujuh rasio keuangan yaitu ROA, ROE, WCTA, TATO, DER, LDAR, dan ROI. Data yang digunakan yaitu data rasio keuangan dari 575 perusahaan yang tercatat di Bursa Efek Indonesia tahun 2019. Hasil penelitian ini menunjukkan bahwa prediksi kinerja perusahaan di Indonesia sebaiknya menggunakan metode AdaBoost karena memiliki akurasi klasifikasi sebesar 0,84522 yang lebih besar dibandingkan akurasi metode KNN sebesar 0,82087