<![CDATA[Kemajuan teknologi informasi telah mendorong pengembangan model prediksi dalam sektor finansial, termasuk prediksi kebangkrutan perusahaan. Prediksi ini sangat penting bagi pemodal dan investor dalam pengambilan keputusan strategis. Namun, tantangan utama dalam prediksi kebangkrutan adalah ketidakseimbangan kelas, di mana jumlah perusahaan bangkrut jauh lebih sedikit dibandingkan perusahaan yang tidak bangkrut. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang lebih akurat dalam memprediksi risiko kebangkrutan dengan mengatasi ketidakseimbangan data menggunakan pendekatan yang berbeda dari penelitian sebelumnya. Jika penelitian sebelumnya menggunakan oversampling SMOTE, penelitian ini berkontribusi dengan menerapkan undersampling Cluster Centroid untuk menyeimbangkan distribusi data dari (2834:165) menjadi (165:165). Model dikembangkan menggunakan Random Forest Classifier, dengan evaluasi melalui cross-validation dan hyperparameter tuning untuk meningkatkan performa prediksi. Hasil pengujian menunjukkan bahwa model Random Forest Biasa memiliki akurasi 94,44%, tetapi dengan recall hanya 18,00%, menunjukkan ketidakefektifan dalam mendeteksi perusahaan bangkrut. Setelah menerapkan undersampling Cluster Centroid, akurasi menurun menjadi 63,64%, tetapi recall meningkat signifikan menjadi 89,80%, dengan F1-score 70,97%. Learning curve menunjukkan bahwa model mampu menggeneralisasi data dengan baik tanpa mengalami overfitting yang signifikan. Penelitian ini adalah menunjukkan bahwa Cluster Centroid sebagai metode undersampling dapat meningkatkan kemampuan model dalam mendeteksi kelas minoritas secara lebih efektif dibandingkan oversampling SMOTE, meskipun dengan kompromi pada akurasi keseluruhan. Hasil ini membuka peluang eksplorasi lebih lanjut dalam penggunaan teknik undersampling untuk meningkatkan prediksi kebangkrutan perusahaan.]]>
Copyrights © 2025
