Disusun Oleh :
Nama / NIM :
Fernando / 10115347
Kelas :
AI - 11
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.
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
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.
1.4.2 Dataset
dataset “data_bank.csv” harus satu folder dengan aplikasi
Masukkan Dataset
bank_df = pd.read_csv('data_bank.csv')
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)
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