Implementasi SMOTE dan Under Sampling pada Imbalanced Dataset untuk Prediksi Kebangkrutan Perusahaan

Abstract

Kebangkrutan pada suatu perusahaan menjadi masalah yang serius karena dapat menyebabkan kerusakan ekonomi serta konsekuensi sosial lainnya. Sangat penting untuk melakukan prediksi kebangkrutan sedini mungkin karena prediksi ini dapat bermanfaat untuk evaluasi serta merencanakan tindakan pencegahan dalam menghindari kebangkrutan. Prediksi kebangkrutan merupakan salah satu permasalahan imbalanced classification karena data dengan kelas bangkrut jauh lebih sedikit daripada kelas tidak bangkrut. Penelitian ini bertujuan untuk menghasilkan model klasifikasi yang baik untuk melakukan prediksi kebangkrutan. Resampling diterapkan pada data latih agar menghasilkan model klasifikasi yang lebih optimal. Metode resampling yang digunakan adalah kombinasi SMOTE dan under sampling. Metode klasifikasi yang digunakan untuk prediksi adalah multilayer perceptron dan complement naïve bayes. Performa prediksi dihitung menggunakan skor recall, ROC AUC, dan PR AUC. Berdasarkan hasil pengujian, penggunaan SMOTE dan under sampling cukup signifikan dalam memperbaiki model klasifikasi pada multilayer perceptron. Pada prediksi menggunakan complement naïve bayes, nilai recall dan PR AUC juga meningkat. Recall terbaik yang diperoleh sebesar 95,45% dengan metode complement naïve bayes. Untuk ROC AUC tertinggi dengan resampling juga diperoleh menggunakan complement naïve bayes sebesar 87,80%. Oleh karena itu, disimpulkan bahwa prediksi kebangkrutan menggunakan teknik resampling yaitu SMOTE dan under sampling dapat menghasilkan performa baik untuk pendeteksian kelas bangkrut.

Keywords

• imbalanced dataset
• prediksi kebangkrutan
• smote
• under sampling
• multilayer perceptron
• complement naive bayes