PREDIKSI KEBANGKRUTAN BANK PADA NILAI

ALTMAN Z-SCORE MODIFIKASI MENGGUNAKAN

METODE SUPPORT VECTOR MACHINE (SVM)
TUGAS UJIAN AKHIR SEMESTER KECERDASAN BUATAN
Dosen : Bambang Siswoyo, Ir,.M.Si

Disusun Oleh :
Nama / NIM :
Fernando / 10115347

Kelas :
AI - 11

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU
KOMPUTER UNVERSITAS KOMPUTER
INDONESIA
2020
 Prediksi Kebangkrutan Bank Pada Nilai Altman Z-Score Modifikasi
Menggunakan Metode Support Vector Machine (SVM)

ABSTRAK
Bank merupakan suatu lembaga keuangan yang mempunyai kewajiban untuk menghimpun dana
dari masyarakat dan menyalurkannya kembali kepada masyarakat dalam bentuk pinjaman modal
kerja untuk meningkatkan taraf hidup masyarakat umum. Selain itu, bank sendiri itu juga
membutuhkan himpunan dana agar bank tersebut bisa tetap berdiri. Oleh karena itu, dibutuhkannya
suatu sistem yang dapat memprediksi kebangkrutan bank. Memprediksi kebangkrutan bank adalah
upaya yang penting dalam mengatasi masalah manajemen bank dengan tujuan utamanya adalah
mengoptimalkan pengelolaan fitur yang berpengaruh dalam memprediksi kebangkrutan bank.
Kebangkrutan bank yang diakibatkan oleh kesulitan keuangan dapat dianalisa dari laporan
keuangan. Laporan keuangan bank masa lampau dapat memprediksi kondisi keuangan di masa
yang akan datang dengan menggunakan teknik analisa laporan keuangan. Caranya dengan
menghitung rasio keuangan yang diperkenalkan oleh Altman. Penelitian ini menggunakan satu
varibel yaitu Z-Score yang di dapat dari hitungan empat variabel untuk memprediksi kebangkrutan
bank dengan bantuan machine learning menggunakan metode Support Vector Machine (SVM).
Metode yang diperkenalkan oleh Vapnik ini menemukan optimal hyperplane yang memisahkan
kondisi perusahaan menjadi tiga kelas yaitu Bankrupt, Gray Zone, dan Non Bankrupt. Dataset latih
yang digunakan dalam penelitian ini sebanyak 104 bank yang sudah dihitung nilai Z-Score nya.
Dataset uji yang digunakan yaitu sebanyak 26 bank yang sudah di ketahui nilai Z-Score nya.

Kata kunci: Bank, financial distress, SVM, classification

ii
 KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas
tuntunan dan kasih-Nya kita dapat menyelesaikan laporan dengan tepat waktu. Dalam laporan
ini juga penulis berusaha memberikan sebuah keterangan ataupun penjelasan secara singkat,
jelas, sederhana dan mudah untuk dipahamin maupun diaplikasikan. Laporan ini tidak akan
ada tanpa bantuan dari rekan-rekan yang membantu penulis baik dalam materi maupun
moral. Bersama ini penulis ingin mengucapkan terima kasih kepada semua pihak yang telah
memberikan dukungan selama ini kepada penulis terutama untuk dosen pembimbing kami.
Penulis menyadari bahwa dalam penyusunan laporan ini masih terdapat banyak
kekurangan dan jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan kritik serta
saran yang membangun guna menyempurnakan laporan ini dan dapat menjadi acuan dalam
menyusun laporan-laporan atau tugas-tugas selanjutnya. Penulis juga memohon maaf apabila
dalam penulisan laporan ini terdapat kesalahan pengetikan dan kekeliruan sehingga
membingungkan para pembaca dalam memahami maksud penulis. Terima kasih

Bandung,.................2020

Penulis

1
PEDAHULUAN

Bank merupakan suatu lembaga keuangan yang mempunyai kewajiban untuk

menghimpun dana dari masyarakat dan menyalurkannya kembali kepada masyarakat dalam
bentuk pinjaman modal kerja untuk meningkatkan taraf hidup masyarakat umum.
Kebangkrutan yang diakibatkan oleh financial distressdapat dilihat dari laporan keuangan
perusahaan. Munculnya berbagai model prediksi kebangkrutan merupakan antisipasi dan
sistem peringatan dini terhadap financial distress. Model tersebut digunakan untuk
mendeteksi lebih awal kondisi perusahaan, sehingga sangat memungkinkan perusahaan dan
investor melakukan langkah-langkah antisipatif untuk mencegah agar krisis keuangan segera
tertangani [1].
Klasifikasi sebagai fungsi prediksi dapat diaplikasikan untuk meramalkan
kebangkrutan bank. Analisis kebangkrutan diperlukan untuk memperoleh peringatan awal
dari kebangkrutan. Semakin awal tanda-tanda kebangkrutan bank diketahui semakin baik
karena pihak manajemen dapat melakukan perbaikan-perbaikan. Selain itu, pihak kreditur
dan pihak pemegang saham dapat melakukan persiapan untuk mengatasi berbagai
kemungkinan yang buruk. Secara garis besar ada dua teknik yang umum digunakan untuk
meramalkan kebangkrutan yaitu teknik statistika seperti analisa regresi, korelasi, analisa
diskriminasi, model logit dan model probit. Teknik yang lain adalah menggunakan
Proceeding, komputer intelegensia seperti pohon keputusan (Decision Tree), Artificial Neural
Network(ANN) atau Support Vector Machine (SVM)[2].
Menurut Santosa (2007), SVM berada dalam satu kelas dengan ANN dalam hal fungsi
dan kondisi permasalahan yang diselesaikan, keduanya masuk dalam kelas supervised
learning. Perbedaan keduanya terletak pada solusi yang dicapai, ANN menemukan solusi
berupa local optimal, solusi darisetiap training selalu berbeda sedangkan SVM menemukan
solusi global optimal, mencapai solusi yang sama untuk setiap running.
Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk mengetahui
seberapa akurat metode SVM dapat memprediksi kebangkrutan perusahaan yang disebabkan
oleh kesulitan keuangan pada nilai Altman Z-Score. Metode tersebut kemudian dapat
digunakan untuk mengklasifikasikan perusahaan ke dalam kategori Bankrupt, Gray Zone, dan
Non Bankrupt
METODE PENELITIAN

Metode penelitian yang digunakan adalah metode deskriptif. Metode ini dipilih karena
sesuai dengan jangkauan penelitian yang hanya menjangkau populasi tertentu, selain itu juga
sistem yang akan dibangun dapat menggambarkan fakta-fakta yang didapat dari tahap
pengumpulan data yaitu dengan perhitungan Altman Z-Score. Alur penelitian yang akan
digunakan dalam penelitian ini dapat dilihat pada Gambar 1.

Gambar 1 Alur Penelitian

1.1 Dataset Bank
Dalam penelitian ini data yang digunakan adalah dataset bank dari laporan
dokumentasi kon08-10. Datset tersebut akan digabungkan dengan dataset dari laporan bus10-
16 yaitu laporan financial distress bank dari tahun 2010-2016 dan akan diuji sehingga
menjadi 130 dataset. Pada data tersebut data yang akan menjadi prediksi adalah Z-Score yang
sudah di hitung dari X1, X2, X3, X4. Laporan tersebut berdasarkan Financial Distress yang
sudah di hitung pada penelitian sebelumnya. Formula dari Model Altman Z-Score Modifikasi
(Altman, 1995) adalah Z = 6.56X1 + 3.26X2 + 6.72X3 + 1.05X4 :
Dimana
X1 = working capital to total assets
X2 = retained earning to total assets
X3 = earning before interest and taxes to total assets
X4 = book value of equity to book value of total debt
Z = overall index
Klasifikasi perusahaan atau bank yang sehat dan bangkrut didasarkan pada nilai Z-
Score yaitu (Atlman, 1995) :
1. Z < 1.10
Bank masuk dalam kategori financial distrees atau Bangkrut
2. 1.10 < Z < 2.60
Bank masuk dalam kategori Grey Zone ( tidak dapat ditentukan apakah sehat ataupun
mengalami financial distress)
3. Z > 2.60
Perusahaan masuk dalam kategori tidak financial distress atau Non Bangkrut

1.2 Split Data Train Dan Data Test

Dataset berjumlah 130 dan akan di bagi menjadi 80% data latih yaitu 104, dan data uji
20% yaitu 26.
1.3 Normalisasi
Normalisasi digunakan supaya nilai antar fitur berada pada interval yang sama. Min-
Max Normalization adalah metode normalisasi yang sering digunakan untuk mengatasi
permasalahan nilai antar fitur yang memiliki jarak terlampau jauh (Larose, 2005).

1.4 Train SVM

Support Vector Machine (SVM) adalah metode klasifikasi dengan menerapkan teori
pembelajaran statistika dan dapat memberikan hasil klasifikasi yang baik, memetakan data
asli menjadi dimensi lain yang lebih tinggi dengan menerapkan teknik kernel, serta memiliki
konsep memisahkan dua buah kelas dan berusaha untuk menemukan hyperplane terbaik
(Prasetyo, 2012).

1.5 Testing SVM

Pengujian akan di lakukan sebanyak tiga kali yaitu dengan normalisasi data,
menggunakan C & Gamma parameter, dan secara biasa atau langsung menggunakan SVM.
HASIL DAN PEMBAHASAN
1.1 Dataset
Dikarenakan dataset pada laporan kon8-10 dan bus10-16 sudah dihitung nilai Z-
Scorenya maka dataset yang digunakan menjadi berikut :
NO. NAMA BANK Z-Score Class
1 Bank Artha Graha Internasional Tbk. 0.6708 1
2 Bank Bukopin Tbk. 0.6708 1
3 Bank Bumi Artha Tbk. 0.4521 1
4 Bank Capital Indonesia Tbk. 1.5772 2
5 Bank Central Asia Tbk. 1.4759 2
6 Bank CIMB Niaga Tbk. 1.419 2
7 Bank Danamon Indonesia Tbk. 0.5855 1
8 Bank Ekonomi Raharja Tbk. 0.9678 1
9 Bank Himpunan Saudara 1906 Tbk. 0.471 1
10 Bank Internasional Indonesia Tbk. 1.2657 2
11 Bank Kesawan Tbk. 1.2318 2
12 Bank Mandiri (Persero) Tbk. 0.3993 1
13 Bank Mega Tbk. 1.3009 2
14 Bank Negara Indonesia Tbk. 1.136 2
15 Bank OCBC NISP Tbk. 0.9238 1
16 Bank Pan Indonesia Tbk. 0.3499 1
17 Bank Permata Tbk. 1.0633 1
18 Bank Rakyat Indonesia Tbk. 0.3168 1
19 Bank Tabungan Pensiunan Nasional Tbk. 2.61 0
20 Bank Victoria International Tbk. 0.4584 1
21 Bank Artha Graha Internasional Tbk. 0.4584 1
22 Bank Bukopin Tbk. 0.9619 1
23 Bank Bumi Artha Tbk. 0.8387 1
24 Bank Capital Indonesia Tbk. 1.909 2
25 Bank Central Asia Tbk. 2.3596 2
26 Bank CIMB Niaga Tbk. 14.978 0
27 Bank Danamon Indonesia Tbk. 6.7762 0
28 Bank Ekonomi Raharja Tbk. 0.7235 1
29 Bank Himpunan Saudara 1906 Tbk. 12.3424 0
30 Bank Internasional Indonesia Tbk. 22.4397 0
31 Bank Kesawan Tbk. 44.8761 0
32 Bank Mandiri (Persero) Tbk. 1.3581 2
33 Bank Mega Tbk. 0.5318 1
34 Bank Negara Indonesia Tbk. 7.91 0
35 Bank OCBC NISP Tbk. 0.2792 1
36 Bank Pan Indonesia Tbk. 5.0309 0
37 Bank Permata Tbk. 0.6334 1
38 Bank Rakyat Indonesia Tbk. 1.78887 2
39 Bank Tabungan Pensiunan Nasional Tbk. 0.4705 1
40 Bank Victoria International Tbk. 8.4359 0
41 Bank Artha Graha Internasional Tbk. 0.8733 1
42 Bank Bukopin Tbk. 2.2312 2
43 Bank Bumi Artha Tbk. 7.27662 0
44 Bank Capital Indonesia Tbk. 6.2254 0
45 Bank Central Asia Tbk. 4.844 0
46 Bank CIMB Niaga Tbk. 4.3195 0
47 Bank Danamon Indonesia Tbk. 5.9742 0
48 Bank Ekonomi Raharja Tbk. 5.0296 0
49 Bank Himpunan Saudara 1906 Tbk. 0.989 1
50 Bank Internasional Indonesia Tbk. 0.6862 1
51 Bank Kesawan Tbk. 40.5444 0
52 Bank Mandiri (Persero) Tbk. 1.9552 2
53 Bank Mega Tbk. 3.4326 0
54 Bank Negara Indonesia Tbk. 7.0246 0
55 Bank OCBC NISP Tbk. 0.2594 1
56 Bank Pan Indonesia Tbk. 11.0905 0
57 Bank Permata Tbk. 0.4977 1
58 Bank Rakyat Indonesia Tbk. 1.4402 2
59 Bank Tabungan Pensiunan Nasional Tbk. 1.0754 1
60 Bank Victoria International Tbk. 8.7358 0
61 Bank Muamalat Indonesia 2010 0.7762 1
62 Bank Victoria Syariah 2010 5.9081 0
63 Bank BRI Syariah 2010 0.0852 1
64 Bank Jabar Banten Syariah 2010 5.7425 0
65 Bank BNI Syariah 2010 2.1127 2
66 Bank Syariah Mandiri 2010 0.9917 1
67 Bank Mega Syariah 2010 0.3796 1
68 Bank Panin Dubai Syariah 2010 3.7102 0
69 Bank Syariah Bukopin 2010 0.148 1
70 Bank BCA Syariah 2010 2.5011 2
71 Bank Muamalat Indonesia 2011 1.331 2
72 Bank Victoria Syariah 2011 6.3921 0
73 Bank BRI Syariah 2011 -0.1899 1
74 Bank Jabar Banten Syariah 2011 1.3784 2
75 Bank BNI Syariah 2011 1.4408 2
76 Bank Syariah Mandiri 2011 0.9457 1
77 Bank Mega Syariah 2011 -0.2148 1
78 Bank Panin Dubai Syariah 2011 2.6061 0
79 Bank Syariah Bukopin 2011 0.423 1
80 Bank BCA Syariah 2011 1.8915 2
81 Bank Muamalat Indonesia 2012 0.8147 1
82 Bank Victoria Syariah 2012 5.5885 0
83 Bank BRI Syariah 2012 -0.2212 1
84 Bank Jabar Banten Syariah 2012 1.2155 2
 85 Bank BNI Syariah 2012 0.5172 1
86 Bank Syariah Mandiri 2012 0.4033 1
87 Bank Mega Syariah 2012 0.3166 1
88 Bank Panin Dubai Syariah 2012 1.4823 2
89 Bank Syariah Bukopin 2012 0.5402 1
90 Bank BCA Syariah 2012 1.4293 2
91 Bank Muamalat Indonesia 2013 0.6501 1
92 Bank Victoria Syariah 2013 1.8512 2
93 Bank BRI Syariah 2013 -0.3429 1
94 Bank Jabar Banten Syariah 2013 1.3359 2
95 Bank BNI Syariah 2013 -0.0512 1
96 Bank Syariah Mandiri 2013 0.5732 1
97 Bank Mega Syariah 2013 0.3995 1
98 Bank Panin Dubai Syariah 2013 1.7915 2
99 Bank Syariah Bukopin 2013 0.4092 1
100 Bank BCA Syariah 2013 1.2192 2
101 Bank Muamalat Indonesia 2014 1.2303 2
102 Bank Victoria Syariah 2014 1.2372 2
103 Bank BRI Syariah 2014 -0.2651 1
104 Bank Jabar Banten Syariah 2014 0.8823 1
105 Bank BNI Syariah 2014 0.5823 1
106 Bank Syariah Mandiri 2014 1.1334 2
107 Bank Mega Syariah 2014 0.5031 1
108 Bank Panin Dubai Syariah 2014 0.7199 1
109 Bank Syariah Bukopin 2014 0.6564 1
110 Bank BCA Syariah 2014 1.2637 2
111 Bank Muamalat Indonesia 2015 0.9723 1
112 Bank Victoria Syariah 2015 0.9008 1
113 Bank BRI Syariah 2015 0.4007 1
114 Bank Jabar Banten Syariah 2015 12.707 0
115 Bank BNI Syariah 2015 0.7519 1
116 Bank Syariah Mandiri 2015 1.0891 1
117 Bank Mega Syariah 2015 0.7587 1
118 Bank Panin Dubai Syariah 2015 0.7183 1
119 Bank Syariah Bukopin 2015 0.7409 1
120 Bank BCA Syariah 2015 1.6084 2
121 Bank Muamalat Indonesia 2016 0.885 1
122 Bank Victoria Syariah 2016 0.4825 1
123 Bank BRI Syariah 2016 0.5932 1
124 Bank Jabar Banten Syariah 2016 0.7552 1
125 Bank BNI Syariah 2016 0.9474 1
126 Bank Syariah Mandiri 2016 1.2139 2
127 Bank Mega Syariah 2016 1.1334 2
128 Bank Panin Dubai Syariah 2016 1.0449 1
129 Bank Syariah Bukopin 2016 0.7975 1
130 Bank BCA Syariah 2016 1.6234 2
Dimana keterangan label sebagai berikut :
Label Z-Score Prediksi
0 Z < 1.10 Bangkrut
1 1.10 < Z < 2.60 Grey Zone
2 Z > 2.60 Non Bangkrut

1.2 Source Code Program

# 1. Import libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 2. Masukkan Dataset
bank_df = pd.read_csv('data_bank.csv')
# Check Label Dataset
bank_df.keys()
Check Dataset
bank_df
# Visualisasikan Data
sns.pairplot(bank_df, hue = 'Class', vars = ['Z-Score'] )
sns.countplot(bank_df['Class'], label = "Prediksi")
sns.countplot(bank_df['Class'], label = "Prediksi")
# 4. Model Data Latih
# Menghapus label yang tidak penting
bank_df = bank_df.drop(['NO.','NAMA BANK'],axis=1)
# Hapus label yang akan menjadi prediksi
X = bank_df.drop(['Class'],axis=1)
# Ambil label yang akan menjadi prediksi
y = bank_df['Class']
# 5. Split Dataset Uji dan Dataset Latih
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size
= 0.20, random_state=5)
# 6. Normalisasi Data
min_train = X_train.min()
range_train = (X_train - min_train).max()
X_train_scaled = (X_train - min_train)/range_train
# 7. Masukkan Ke Dalam data latih
min_test = X_test.min()
range_test = (X_test - min_test).max()
X_test_scaled = (X_test - min_test)/range_test
# 8. Masukkan Ke Dalam SVM
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
svc_model = SVC()
svc_model.fit(X_train_scaled, y_train)
# 9. Melihat Hasil Klasifikasi
y_predict = svc_model.predict(X_test_scaled)
cm = confusion_matrix(y_test, y_predict)
sns.heatmap(cm,annot=True,fmt="d")
print(classification_report(y_test,y_predict))
# Menggunakan C & Gamma parameters
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [1, 0.1, 0.01, 0.001],
'kernel': ['rbf']}
# Run the SVC on all C & γ parameters and get the best of them
from sklearn.model_selection import GridSearchCV
grid = GridSearchCV(SVC(),param_grid,refit=True,verbose=4)
grid.fit(X_train_scaled,y_train)
grid.best_params_
grid.best_estimator_
#Grid predictions
grid_predictions = grid.predict(X_test_scaled)
cm = confusion_matrix(y_test, grid_predictions)
sns.heatmap(cm, annot=True)
print(classification_report(y_test,grid_predictions))
# Splitting the dataset into training set and testing set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size
= 0.20, random_state=5)
# Fitting SVM to the Training set
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
svc_model = SVC()
svc_model.fit(X_train, y_train)
# Test Tanpa Normalilasi
y_predict = svc_model.predict(X_test)
cm = confusion_matrix(y_test, y_predict)
sns.heatmap(cm, annot=True)
print(classification_report(y_test, y_predict))

1.3 Hasil Pengujian

Pada tahap ini pengujian dilakukan 3 kali yaitu :

1.3.1 Menggunakan Normalisasi

Menghasilkan akurasi sebesar 44% untuk Bangkrut, 59% untuk Grey Zone, 0% untuk
Non Bangkrut, total Akurasi 34%.
1.3.2 Menggunakan C & Gamma Parameter
Menghasilkan akurasi sebesar 100% Bangkrut, 87% Grey Zone, 80% Non Bangkrut
total rata-rata akurasi 89%.

1.3.3 Tanpa Normalisasi

Menghasilkan akurasi sebesar 93% Bangkrut, 100% Grey Zone, 94% Non Bangkrut
total rata-rata akurasi 96%.
1.4 Penjelasan Program & Source Code

1.4.1 Inisialisasi Library

numpy - merupakan scientific computing library

pandas - untuk python data analysis library
matplotlib - untuk data visualisasi
seaborn - untuk memvisualisasikan data statik

1.4.2 Dataset
dataset “data_bank.csv” harus satu folder dengan aplikasi
Masukkan Dataset
bank_df = pd.read_csv('data_bank.csv')

Cek label pada dataset terdapat 4 yaitu :

Cek isi pada dataset

1.4.3 Visuasilasikan Data
vars harus bertipe angka oleh, karena itu label class di ganti dengan 0 = bangkrut, 1 =
grey zone, 2 = non bangkrut
 1.4.4 Model Data Latih
Dikarenakan pada dataset terdapat label yang tidak penting, maka akan lebih baik jika
label tersebut di hapus terlebih dahulu
Menghapus label yang tidak penting
bank_df = bank_df.drop(['NO.','NAMA BANK'],axis=1)

Hapus label yang akan menjadi prediksi

X = bank_df.drop(['Class'],axis=1)

Ambil label yang akan menjadi prediksi

y = bank_df['Class']

1.4.5 Membagi data uji dan data latih

80% data uji, 20% data latih
Split Dataset Uji dan Dataset Latih
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state=5)

1.4.6 Normalisasi Data

min_train = X_train.min()
range_train = (X_train - min_train).max()
X_train_scaled = (X_train - min_train)/range_train

Masukkan Ke Dalam data latih

min_test = X_test.min()
range_test = (X_test - min_test).max()
X_test_scaled = (X_test - min_test)/range_test
1.4.7 Memasukkan Ke SVM

Sklearn - merupakan machine learning library

1.4.8 Hasil Klasifikasi

1.4.9 Menggunakan C & Gamma parameters

param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [1, 0.1, 0.01, 0.001], 'kernel': ['rbf']}
from sklearn.model_selection import GridSearchCV
grid = GridSearchCV(SVC(),param_grid,refit=True,verbose=4)
1.4.10 Memasukkan ke Train Data
grid.fit(X_train_scaled,y_train)

1.4.11 Hasil Klasifikasi

1.4.12 Uji Coba Tanpa Normalisasi
 KESIMPULAN

Berdasarkan hasil uji coba yang sudah dilakukan, maka mendapat kesimpulan
bahwa metode SVM dapat digunakan untuk meprediksi kebangkrutan bank
berdasarkan Atlma Z-Score, akan tetapi jika data tersebut di normasilasikan terlebih
dahulu akan akurasi akan sangat kecil yaitu 34%, hal ini dikarenakan pada dataset
tersebut label hanya terdapat 1 yaitu Z-Score serta banyak data nya sangat minimal
yaitu 130 dataset. Jika menggunakan C & Gamma paramater akan meningkat jauh hal
ini dikarenakan pada model tersebut akan mencari data yang optimal, yaitu 89% . Dan
jika pada dataset tersebut tidak di normalisasikan akan mendapat akurasi sangat tinggi
yaitu 96%, paling tersebsar diantara 3 uji coba yang telah dilakukan pada penelitian
ini, hal ini dikarenakan interval pada data tersebut tidak terlalu jauh dan juga data
yang digunakan lebih sedikit.
DAFTAR PUSTAKA

[1] Li H Andina D & Sun J. 2012. “Multiple proportion case-basing driven CBRE and its
application in the evaluation of possible failure of firms”. International Journal of Systems
Science, 44, 1409– 1425
[2] Wu, X., Kumar, V., Ross Quinlan, J. “Top 10 Algorithms In Data Mining”. Knowl Inf
Syst (2008). 14: 1. https://doi.org/10.1007/s10115-007-0114-2