<![CDATA[Di era big data saat ini, peran teknik data mining sangatlah dibutuhkan terkait kebutuhan pengambilan keputusan yang akurat. Algoritma decision tree telah lazim diterapkan untuk menemukan pola klasifikasi karena mudah diinterpretasikan namun harus senantiasa dievaluasi tingkat performanya. Adaboost merupakan salah satu metode untuk meningkatkan performa algoritma decision tree. Eksperimen dilakukan pada 141 sampel perusahaan yang melantai di Bursa Efek Indonesia sektor konstruksi-infrastruktur, pertambangan-perminyakan, dan sektor perbankan pada periode 2019, dengan menerapkan teknik adaboost pada decision tree dengan parameter maximum depth dan confidence yang diuji dalam enam skenario berbeda berdasarkan informasi anti-korupsi pada pengungkapan laporan tahunan perusahaan. Hasil ekperimen decision tree untuk akurasi sebesar 69,5%, AUC-optimistis 0,826, dan AUC 0,756, sedangkan rerata hasil dari enam skenario decision tree versi adaBoost untuk akurasi sebesar 71,16%, AUC-optimistis 0,8905, dan AUC 0,744, sehingga dapat disimpulkan bahwa pengklasifikasian atas prediksi klasifikasi dengan metode adaBoost layak diterapkan sebagai upaya alternatif untuk meningkatkan tingkat performa yang lebih baik. ]]>
Copyrights © 2022
