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.

Penggunaan Feature Space SMOTE Untuk Mengurangi Overfitting Akibat Imbalance Dataset

“…Penggunaan SMOTE meningkatkan akurasi pada algoritma Naïve Bayes sebesar 24%, pada algoritma KNN sebesar 1%, dan pada algoritma Decision Tree sebesar 2%. Penelitian [13] juga menyimpulkan bahwa teknik oversampling SMOTE dapat meningkatkan akurasi model yang dibuat, bahkan hingga 7,40% .…”

Optimizing E-commerce Inventory to prevent Stock Outs using the Random Forest Algorithm Approach

“…The Random Forest algorithm is effective in predictive modeling and classification tasks through techniques such as oversampling, feature selection, and weighted Random Forest [35][36] [37]. These methods have improved classification performance, accuracy, and predictive capabilities in various contexts, including inventory management and medical data analysis.…”

“…These methods have improved classification performance, accuracy, and predictive capabilities in various contexts, including inventory management and medical data analysis. Reference Nugroho & Rilvani (2023) discuss the application of oversampling using the SMOTE method in the Random Forest algorithm for predicting corporate bankruptcy, resulting in a 7.40% increase in classification performance after data preprocessing [35]. Reference Priantama & Siswa (2022) focuses on optimizing the Random Forest Classifier's accuracy by utilizing correlation-based feature selection, enhancing its performance in predicting academic student performance [36].…”

“…Previous studies relevant to this topic reveal a variety of approaches and techniques used in the same or similar domains. Nugroho & Rilvani (2023), Priantama & Siswa (2022), and Budianti & Suliadi (2022) are some of the relevant research in this regard [35][36] [37]. A study by Nugroho & Rilvani (2023) discusses the application of the oversampling method using SMOTE in the Random Forest Algorithm to predict company bankruptcy, which resulted in an increase in classification performance of 7.40% after data pre-processing [35].…”

“…Nugroho & Rilvani (2023), Priantama & Siswa (2022), and Budianti & Suliadi (2022) are some of the relevant research in this regard [35][36] [37]. A study by Nugroho & Rilvani (2023) discusses the application of the oversampling method using SMOTE in the Random Forest Algorithm to predict company bankruptcy, which resulted in an increase in classification performance of 7.40% after data pre-processing [35]. Research by Priantama & Siswa (2022) focuses on optimizing the accuracy of the Random Forest Classifier by utilizing correlation-based feature selection, which improves its performance in predicting student academic performance [36].…”