Aplikasi Data Mining dengan Metode Support Vector Machine (SVM) untuk Prediksi Financial Distress pada Industri Jasa Go Public yang Terdaftar di Bursa Efek Indonesia

Cahya W., Lusi Mei and Daru, Albertus and Andrian, David (2016) Aplikasi Data Mining dengan Metode Support Vector Machine (SVM) untuk Prediksi Financial Distress pada Industri Jasa Go Public yang Terdaftar di Bursa Efek Indonesia. In: Prosiding Seminar Nasional (SENIATI) 2016 (BUKU-1) “Green Technology Innovation”. Fakultas Teknologi Industri - lnstitut Teknologi Nasional Malang, Malang, C.81-C.86. ISBN 208s - 4218

	Text Aplikasi Data Mining dengan Metode Support Vector.pdf Download (301kB)
	Text Peer Review Prosiding Seniati.pdf Download (106kB)
	Text Similarity Prosiding Seniati.pdf Download (305kB)

Abstract

Financial Distress adalah tahapan penurunan kondisi keuangan suatu perusahaan sebelum terjadinya kebangkrutan.Prediksi financial distress bermanfaat bagi perusahaan, investor dan kreditur. Penelitian ini dilakukan pada Industri Jasa Go Public yang terdaftar di Bursa Efek Indonesia menggunakan metode Support Vector Machine (SVM) dengan variabel keuangan. Seleksi variabel menggunakan Linear Programming SVM (LP-SVM) . Dari 16 variabel yang tersedia terpilih 10 variabel prediktor pada model. Hasil percobaan penelitian menunjukkan bahwa tingkat misklasifikasi menjadi semakin kecil ketika menggunakan variabel yang telah diseleksi baik dengan metode SVM maupun Linear Discriminant Analysis (LDA). Misklasifikasi terkecil dengan metode SVM diberikan pada Kernel RBF dengan parameter σ=2,C=1

Item Type:	Book Section
Uncontrolled Keywords:	Financial Distress, Industri Jasa ,Linear Discriminant Analysis(LDA), Support Vector Machine (SVM).
Subjects:	H Social Sciences > HD Industries. Land use. Labor H Social Sciences > HD Industries. Land use. Labor > HD28 Management. Industrial Management
Divisions:	Fakultas Teknik > Prodi Teknik Industri
Depositing User:	David Andrian
Date Deposited:	08 Oct 2019 05:07
Last Modified:	08 Oct 2019 05:07
URI:	http://repositori.ukdc.ac.id/id/eprint/8

Actions (login required)

View Item