MultiClass Decision Forest Machine Learning Artificial Intelligence

  • Bambang Siswoyo

Abstract

Kecerdasan buatan merupakan solusi yang terbaik dalam menangai berbagai bidang. Algoritma Multi Class Decesion Forest Machine Learning yang merupakan bagian dari kecerdasan buatan adalah bidang yang menarik untuk diterapkan dalam bidang perbankan. Penelitian ini dikembangkan untuk membangun model yang dapat memprediksi dan mengevaluasi kebangkrutan industri perbankan. Variabel prediktor adalah rasio keuangan yang didapatkan dari publikasi situs http://www.idx.co.id. Modeling machine learning dengan enam variabel, dimana lima variabel sebagai input dan satu variabel sebagai target. Secara keseluruhan, Multi Class Decistion Forest Machine Learning mampu melatih data hubungan input-output dan perilaku pemodelan dengan baik, nilai accuracy 92%, nilai precision 92% dan nilai under area curve 90%.

Downloads

Download data is not yet available.

References

W. Herdinigtyas and L. S. Almilia, ‘Analisis rasio CAMEL terhadap prediksi kondisi bermasalah pada lembaga perbankan perioda 2000-2002’, J. Akunt. dan Keuang., vol. 7, no. 2, pp. 131–147, 2006.

A. F. Irpanto, ‘Analisis pengaruh rasio camel terhadap prediksi kondisi bermasalah pada lembaga perbankan’, Universitas Negeri Malang, 2012.

D. E. Kurniawan, A. Saputra, P. Prasetyawan, and others, ‘Perancangan Sistem Terintegrasi pada Aplikasi Siklus Akuntansi dengan Evaluasi Technology Acceptance Model (TAM)’, J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 1, pp. 315–321, 2018.

F. Pedregosa et al., ‘Scikit-learn: Machine learning in Python’, J. Mach. Learn. Res., vol. 12, no. Oct, pp. 2825–2830, 2011.

F. Barboza, H. Kimura, and E. Altman, ‘Machine learning models and bankruptcy prediction’, Expert Syst. Appl., vol. 83, pp. 405–417, 2017.

L. Zhou, K. K. Lai, and J. Yen, ‘Bankruptcy prediction using SVM models with a new approach to combine features selection and parameter optimisation’, Int. J. Syst. Sci., vol. 45, no. 3, pp. 241–253, 2014.

R. P. Hauser and D. Booth, ‘Predicting bankruptcy with robust logistic regression’, J. Data Sci., vol. 9, no. 4, pp. 565–584, 2011.

Y. Hua, J. Guo, and H. Zhao, ‘Deep belief networks and deep learning’, in Proceedings of 2015 International Conference on Intelligent Computing and Internet of Things, 2015, pp. 1–4.

A. SETIAWAN MALAKA, ‘MODEL PREDIKSI KEPAILITAN BANK UMUM DI INDONESIA MENGGUNAKAN ALGORITMA BACKPROPAGATION’, J. Ilmu Manaj., vol. 2, no. 4, 2015.

A. S. Malaka, ‘Hartojo,“Model Prediksi Kepailitan Bank Umum Di Indonesia Menggunakan Algoritma Backpropagation,”’ J. Ilmu Manaj., vol. 2, no. 4, pp. 1714–1724, 2014.

J. Yao, N. Teng, H.-L. Poh, and C. L. Tan, ‘Forecasting and analysis of marketing data using neural networks’, J. Inf. Sci. Eng., vol. 14, no. 4, pp. 843–862, 1998.

Y. Mishina, R. Murata, Y. Yamauchi, T. Yamashita, and H. Fujiyoshi, ‘Boosted random forest’, IEICE Trans. Inf. Syst., vol. 98, no. 9, pp. 1630–1636, 2015.

G. Wang, J. Ma, and S. Yang, ‘An improved boosting based on feature selection for corporate bankruptcy prediction’, Expert Syst. Appl., vol. 41, no. 5, pp. 2353–2361, 2014.

N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, ‘Dropout: a simple way to prevent neural networks from overfitting’, J. Mach. Learn. Res., vol. 15, no. 1, pp. 1929–1958, 2014.

P. Prasetyawan, I. Ahmad, R. I. Borman, Ardiansyah, Y. A. Pahlevi, and D. E. Kurniawan, ‘Classification of the Period Undergraduate Study Using Back-propagation Neural Network’, in 2018 International Conference on Applied Engineering (ICAE), 2018, pp. 1–5.

A. Dzikri and D. E. Kurniawan, ‘Hand Gesture Recognition for Game 3D Object Using The Leap Motion Controller with Backpropagation Method’, in 2018 International Conference on Applied Engineering (ICAE), 2018, pp. 1–5.

Published
2020-01-23
How to Cite
[1]
B. Siswoyo, “MultiClass Decision Forest Machine Learning Artificial Intelligence”, JAIC, vol. 4, no. 1, pp. 1-7, Jan. 2020.
Section
Articles