IMPLEMENTASI METODE SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK DATASET TIDAK SEIMBANG (STUDI KASUS: KLASIFIKASI KEBANGKRUTAN PERUSAHAAN) = IMPLEMENTATION OF SUPPORT VECTOR MACHINE AND RANDOM FOREST METHODS FOR UNBALANCED DATASETS (CASE STUDY: CLASSIFICATION OF CORPORATE BANKRUPTCY)

Untuk mengantisipasi kemungkinan perusahaan akan mengalami kebangkrutan, perusahaan dapat melakukan prediksi kebangkrutan. Pada penelitian ini, akan digunakan dua metode yaitu Support Vector Machine dan Random Forest, namun data yang digunakan pada penelitian ini dikategorikan sebagai data tidak seimbang (imbalanced data) karena rasio data bangkrut dengan data tidak bangkrut tidak sama, sehingga perlu dilakukan resampling untuk menangani hal tersebut. Tahapan penelitian terbagi menjadi beberapa bagian, yakni tahap eksplorasi dan preprocessing data, pembagian data, resampling data, pembangunan model classifier, serta analisa terhadap hasil model classifier. Dari penelitian ini, diketahui bahwa filter SMOTE dalam data tidak seimbang memberikan pengaruh pada model Machine Learning yang diujikan, dalam hal ini Support Vector Machine dan Random Forest. Pengaruh yang dihasilkan juga bergantung pada pemilihan besar persen filter, karena kondisi data yang berbeda-beda tentunya memerlukan besaran persen filter yang berbeda pula. Dengan melihat hasil penelitian, dapat disimpulkan bahwa model Random Forest lebih baik dalam memprediksi kebangkrutan perusahaan dibandingkan dengan model Support Vector Machine.

Keywords : Bangkrut, Support Vector Machine, Random Forest, imbalanced data.