<![CDATA[Prediksi kebangkrutan perusahaan merupakan aspek penting dalam bidang keuangan karena dapat memberikan dampak signifikan terhadap investor, kreditur, manajemen perusahaan, serta pemangku kepentingan lainnya dalam pengambilan keputusan strategis. Penelitian ini bertujuan untuk mengembangkan model prediksi kebangkrutan perusahaan yang akurat menggunakan algoritma XGBoost yang dioptimalkan melalui proses penyesuaian hiperparameter (hyperparameter tuning). Selain itu, penelitian ini juga menerapkan metode Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi tantangan ketidakseimbangan data dengan meningkatkan representasi kelas minoritas. Model yang dikembangkan diuji pada dua dataset berskala besar (Taiwan dan US) untuk mengevaluasi konsistensi kinerja serta kemampuan generalisasi model. Hasil penelitian menunjukkan bahwa model XGBoost dengan hyperparameter tuning mampu menghasilkan performa terbaik dengan tingkat akurasi sebesar 98,94%, precision sebesar 0,98, dan recall sebesar 1,0. Selain itu, hasil pengujian menunjukkan bahwa model tersebut memiliki kinerja yang konsisten tanpa indikasi overfitting. Hasil pendekatan ini membuktikan bahwa XGBoost dengan penyesuaian hiperparameter mampu memberikan prediksi kebangkrutan yang akurat, konsisten, dan dapat diandalkan untuk diterapkan dalam berbagai konteks industri serta pada skala penggunaan yang lebih luas.]]>
Copyrights © 2026
