Machine Learning Optimasi Algoritma dalam

Prediksi Kebangkrutan Bank

Tias Gumelar Timorisky

10117111
IF 3

1. Abstraksi
Penelitian ini mengembangkan model early warning systems (EWS) yang dapat memberikan
sinyal awal tentang masalah keuangan industri perbankan yang terdaftar di Stock Exchange
Indonesia. Periode penelitian yang digunakan pada 2010-2016. Menentukan masalah keuangan pada
tahap awal sangat penting untuk mencegah kerugian finansial. Dalam studi ini, model Machine
Learning dapat digunakan untuk memastikan kesulitan keuangan. Penelitian ini mengusulkan sistem
prediksi financial distress untuk mengkategorikan perbankan berdasarkan tingkat risiko. Model
prediktif menggunakan modal kerja untuk total aset, Saldo laba hingga total aset, Pendapatan
sebelum bunga dan pajak terhadap total aset, Buku menghasilkan nilai Buku terhadap total utang,
dan faktor modifikasi Altman Z-Score dalam sistem early warning systems (EWS). Hasil dari
menggunakan model Artificial neural network, Logistic regression classifier, support vector
machine dan Ensemble bagging model terbaik dengan nilai akurasi 85% dan tidak terjadi overfit
pada dataset yang terdiri dari lima fitur rasio keuangan. Model Regresi Logistik dan Dukungan
Mesin Vektor berbasis Ensemble dapat digunakan untuk memprediksi tekanan.

2. Tujuan Penelitian
1. Untuk mengetahui informasi tentang early warning systems (EWS) terhadap perbankan.
2. Untuk mengetahui prediksi terhadap kebangkrutan bank-bank yang diteliti.
3. Untuk mengetahui status bank apakah termasuk Distress Zone, Gray Zone atau Safe Zone.

3. Manfaat Penelitian
1. Menerapkan early warning systems (EWS) terhadap perbankan.
2. Mengantisipasi terhadap kebangkurtan bank-bank yang diteliti.
3. Memilih penanganan yang tepat terhadap status bank-bank yang diteliti.
4. Metode Riset
4.1 Financial distress dataset
Populasi yang digunakan dalam penelitian ini adalah Bank Umum Syariah yang
terdaftar di Bank Indonesia. Teknik pengambilan sampel yang digunakan dalam penelitian
ini adalah purposive sampling, yaitu teknik pengambilan sampel dengan pertimbangan
tertentu. Sedangkan untuk kriteria penarikan sampel yang digunakan meliputi Bank syariah
yang memiliki kelengkapan laporan keuangan yang telah diaudit periode 2010-2016 tersedia
di setiap situs web resmi Bank yang bersangkutan atau melalui situs web Otoritas Jasa
Keuangan.

4.2 Pemilihan fitur

Menentukan fitur-fitur dataset adalah penting. Oleh karena itu teknik pemilihan fitur
berbasis korelasi digunakan. Algoritma berbasis fitur memilih atribut yang memiliki nilai
korelasi berdasarkan nilai kelas. Jika atribut memiliki korelasi yang tinggi dengan fitur kelas
dan memiliki nilai korelasi yang rendah dengan atribut lain dari dataset, maka atribut
tersebut dianggap sebagai atribut yang baik. Jika atribut memiliki korelasi tinggi dengan
atribut lainnya maka atribut tersebut akan dihapus dari dataset. Fitur yang digunakan dalam
dataset diambil dari model modifikasi Altman Z-Score [1]. Data yang dikumpulkan
kemudian diproses dengan formula rasio keuangan yang merupakan prediksi prediksi
keuangan perbankan tertekan [1]. Rasio keuangan adalah sebagai berikut, working capital to
total assets (WCTA), retained earnings to total assets (RETA), earnings before interest and
taxes to total assets (EBITTA), dan book value of equality to book value of total debt
(BVEBVTD ). Empat fitur rasio keuangan yang dianalisis memiliki tiga output kategorikal
sebagai Distress Zone, Gray Zone dan Safe Zone, rumusnya adalah [5]: Z = 6,56 X 1 + 3,26
X 2 + 6,72 X 3 + 1, 05 X 4.
Deskripsi :
X1 = working capital to total asset ratio
X2 = retained earning to total asset ratio
X3 = EBIT to total asset ratio
X4 = book value of equity to book value of debt ratio
Z = Z-Score value
Kriteria kesulitan keuangan Islami dari metode Altman, disajikan pada Tabel 1.1 Altman Z-
Score Modification.
 Z-Score Value Category Discription

Z ≤ 1,11 Distress The Bank has

experienced
Financial distress

1,11 < Z ≤ 2,6 Grey Area Banks will likely

Having financial distress

Z > 2,6 Safe The Bank is secure or

Having trouble Financial

Source: (Altman Z-Score)

4.3 Algoritma Machine Learning

Eksperimen menggunakan Financial distress dataset diikuti oleh algoritma machine
learning yang berbeda. Proses pembelajaran dan pengujian model, dimulai dari pembagian
dataset menjadi dua bagian. Bagian pertama adalah dataset training sebanyak 80%,
sedangkan bagian kedua adalah dataset tes sebanyak 20%. Setelah dataset dipisahkan,
algoritma machine learning yang berbeda digunakan dalam dataset training. Pada tahap
training, berbagai algoritma pengklasifikasi diterapkan untuk membangun model yang
optimal. Model divalidasi menggunakan set uji pada tahap pengujian. Tahap validasi
menggunakan nilai overfit, akurasi, nilai presisi, skor f1 untuk validasi model. Algoritma
machine learning termasuk Artificial neural network (ANN), Logistic Regression Classifier
(LRC), Support vector machine (SVM) dan Bagging.
Flowchart Machine Learning
 4.4 Membuat Sistem Prediksi Financial Distress
Dari tahap sebelumnya, algoritma classifier dipilih untuk mengembangkan sistem
financial distress prediktif. Model ini dikembangkan sebagai alat prediksi untuk
mengevaluasi kelas marabahaya dari input dataset, menghitung persentase prediksi
kesalahan dari sistem. Prediksi kelas dibandingkan dengan nilai kelas aktual dari dataset.
Model pembelajaran mesin dapat memperkirakan probabilitas kesulitan keuangan, ini dapat
digunakan sebagai alat AWS awal untuk memperkuat estimasi entitas yang sebenarnya.
Pemrograman statistik, klasifikasi dan alat prediksi menggunakan bahasa python.

5. Hasil dan Analisis

Data rasio keuangan yang digunakan sebagai dataset financial distress dalam penelitian ini
bersumber dari Altman [2]. Dataset terdiri dari enam fitur berbeda yang dijelaskan pada
Flowchart Machine Learning diatas. Model yang telah dibentuk melalui proses pelatihan perlu
dioptimalkan dengan berbagai teknik agar menghasilkan model yang lebih efektif dan efisien.
Optimalisasi dapat mencakup mempercepat proses membaca dataset, menentukan parameter
untuk EWS, dan hal-hal teknis lainnya.

5.1 ANN Model

Klasifikasi yang pertama adalah Artificial neural network (ANN). Sebuah teknik atau
pendekatan pengolahan informasi yang terinspirasi oleh cara kerja sistem saraf biologis,
khususnya pada sel otak manusia dalam memproses informasi. Elemen kunci dari teknik ini
adalah struktur sistem pengolahan informasi yang bersifat unik dan beragam untuk tiap
aplikasi. Neural Network terdiri dari sejumlah besar elemen pemrosesan informasi (neuron)
yang saling terhubung dan bekerja bersama-sama untuk menyelesaikan sebuah masalah
tertentu, yang pada umumnya dalah masalah klasifikasi ataupun prediksi [3].
Penerapan terhadapan dataset FinancialDistress1016 :

Dan memiliki hasil seperti ini :

5.2 LRC Model
Klasifikasi yang kedua adalah Logistic Regression Classifier (LRC). Logistic
Regression adalah teknik 'Statistical Learning' yang dikategorikan dalam metode 'Machine
Learning' Supervised (ML) yang didedikasikan untuk tugas-tugas klasifikasi. Ini telah
mendapatkan reputasi luar biasa selama dua dekade terakhir terutama di sektor keuangan
karena kemampuannya yang menonjol dalam mendeteksi mangkir. Skema penggunaan
umum dari Regresi Logistik dan Klasifikasi Linear populer lainnya yang diberikan di bawah
ini [4].

Penerapan terhadapan dataset FinancialDistress1016 :

 Dan memiliki hasil seperti ini :

5.3 SVM Model

Klasifikasi yang ketiga adalah Support vector machine (SVM). salah satu metode
dalam supervised learning yang biasanya digunakan untuk klasifikasi (seperti Support
Vector Classification) dan regresi (Support Vector Regression). Dalam pemodelan
klasifikasi, SVM memiliki konsep yang lebih matang dan lebih jelas secara matematis
dibandingkan dengan teknik-teknik klasifikasi lainnya. SVM juga dapat mengatasi masalah
klasifikasi dan regresi dengan linear maupun non linear.
Penerapan terhadapan dataset FinancialDistress1016 :

Dan memiliki hasil seperti ini :

5.4 Bagging Model
Klasifikasi yang terakhir adalah Bagging. Bootstrap aggregating, disebut juga
bagging, adalah penggabungan algoritma pembelajaran mesin (machine learning) yang
dirancang untuk meningkatkan stabilitas dan akurasi dari algoritma machine learning yang
digunakan dalam klasifikasi statistik dan regresi. Bagging juga mengurangi varians dan
membantu untuk menghindari terjadinya overfitting. Meskipun biasanya diterapkan untuk
metode decision tree, bagging dapat digunakan dengan semua jenis metode. Bagging
merupakan kasus khusus dari pendekatan model averaging.
Penerapan terhadapan dataset FinancialDistress1016 :

Dan memiliki hasil seperti ini :

Daftar Pustaka

[1] M. Kim and D. Kang, “Classifiers selection in ensembles using genetic algorithms for
bankruptcy prediction,” Expert Syst. Appl., vol. 39, no. 10, pp. 9308–9314, 2012.
[2] E. I. Altman, “Predicting Financial Distress of Companies : Revisiting The Z-Score and Zeta
® Models,” in Handbook of Research Method and Aplications in Empirical Finance, A. R.
Bell, C. Brooks, and M. Prokopczuk, Eds. Cheltenham: Edwad Elgar Publishing, 2013, p.
504.
[3] H.D. Widiputra, “Artificial Neural Network,” 12 Oktober 2019, [Online], Tersedia:
https://dosen.perbanas.id/artificial-neural-network, [Diakses: 12 Mei 2020].
[4] C. Subasi, “Logistic Regression Classifier,” 4 Maret 2019, [Online], Tersedia:
https://towardsdatascience.com/logistic-regression-classifier-8583e0c3cf9, [Diakses: 12 Mei
2020].
[5] Samsudiney, “Penjelasan Sederhana tentang Apa Itu SVM?,” 25 Juli 2019, [Online],
Tersedia: https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-
149fec72bd02, [Diakses: 12 Mei 2020].
[6] “Bootstrap agregating,” 17 April 2020, [Online], Tersedia:
https://id.wikipedia.org/wiki/Bootstrap_aggregating, [Diakses: 12 Mei 2020].