Pebandingan Metode K-Nearest Neighbor dan Adaptive Boosting pada Kasus Klasifikasi Multi Kelas
Kinerja Perusahaan, Klasifikasi, KNN, Adaptive Boosting
Abstract views: 214
DOI:
https://doi.org/10.36456/jstat.vol13.no1.a3269
Keywords:
Kinerja Perusahaan, Klasifikasi, KNN, Adaptive BoostingAbstract
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
Downloads
References
Bagaskoro, G., N. dkk. 2018. Penerapan Klasifikasi Tweets pada Berita Twitter Menggunakan Metode K-Nearest Neighbor dan Query Expansion Berbasis Distributional Semantic. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 10 Hal. 3849-3855.
Bursa Efek Indonesia. [online]. www.idx.co.id. (diakses Selasa, 29 Oktober 2019).
Freund, Y. dan Schapire, R. E. 1999. A Short Introduction to Boosting. Journal of Japanese Society for Artificial Intelligence, 14(5) 771-780.
Fitriyaningsih, I. dan Basani, Y. 2019. Prediksi Kejadian Banjir dengan Ensemble Machine Learning Menggunakan BP-NN dan SVM. Jurnal Teknologi dan Sistem Komputer Vol. 7, No. 3 : Hal. 93-97.
Han, J., Kamber, M., dan Pei, J. 2011. Data Mining : Concepts and Techniques, Third Edition. Waltham : Morgan Kaufmann Publishers.
Johnson, R. A. dan Wichern, D. W. 2007. Applied Multivariate Statistical Analysis. New Jersey : Pearson Prentice Hall.
Lewis, R. J. 2000. An Introduction to Classification and Regression Trees (CART) Analysis. Presented at the 2000 Annual Meeting of Society for Academic Emergency Medicine of Sanfrancisco. California.
Menteri Keuangan Republik Indonesia. 1992. Surat Keputusan Menteri Keuangan Republik Indonesia Nomor 826/KMK.013/1992. Tentang Sistem Penilaian Kinerja BUMN.
Prasetyo, E. 2012. DATA MINING : Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta : ANDI.
Pulloh, J. dkk. 2016. Analisis Rasio Keuangan untuk Menilai Kinerja Keuangan Perusahaan (Studi Kasus PT. HM Sampoerna Tbk yang Terdaftar di Bursa Efek Indonesia). Jurnal Administrasi Bisnis Vol. 33, No.1 : Hal. 89-97.
Zhu, J. dkk. 2009. Multi-class AdaBoost. Statistics and Its Interface, 2, pp.349-360
