implementasi metode ensemble neural network untuk model

Implementasi Metode Ensemble Neural Network untuk Model Prediksi Kebangkrutan

Penyusun: Nuru Aini – 5108100017 Dosen Pembimbing: Isye Arieshanti, S. Kom., M. Phil. Yudhi Purwananto, S. Kom., M. Kom.

(Kata Kunci: Boosting, Bagging, JST, Prediksi Kebangkrutan)

PRESENTASI TUGAS AKHIR – KI091391

Materi

Latar Belakang

Tujuan

Permasalahan

Pengembangan Perangkat Lunak

Kesimpulan

LATAR BELAKANG

Latar Belakang

Pengambilan keputusan finansial

Model prediksi kebangkrutan

Ensemble neural network

TUJUAN

Tujuan

Implementasi

Ensemble Neural Network

Prediksi Kebangkrutan

PERMASALAHAN

Permasalahan

Implementasi

Uji model

PENGEMBANGAN PERANGKAT LUNAK

Studi Literatur

Desain dan Implementasi Uji Coba

Pengembangan Perangkat Lunak

Desain dan Implementasi Uji Coba Studi

Literatur


JST (Jaringan Saraf Tiruan)

Bagging (Bootstrap

Aggregating)

Boosting

Jaringan Saraf Tiruan (JST)

Bagging (Bootstrap Aggregating)

D Data latih asli

D1 D2 Dn-1 Dn

Membuat n data latih baru dengan sampling with replacement

…

C1 C2 Cn-1 Cn … Membuat n model klasifikasi

C* Menggabungkan (voting) hasil prediksi

Boosting

D Data latih asli

D1 D2 Dn-1 Dn

Membuat n data latih baru dengan weighted sampling with replacement

…

C1 C2 Cn-1 Cn … Membuat maksimal n model klasifikasi

C* Menggabungkan (weighted voting) hasil prediksi

PERANCANGAN PERANGKAT LUNAK

Data Masukan: Data Wieslaw

Jenis Kelas

Jumlah Kelas

Positif

128

Negatif

112

Data Keluaran

Jenis Kelas

Definisi

Positif

Bangkrut

Negatif

Tidak bangkrut

• Data keluaran latih: model klasifikasi • Data keluaran uji: hasil prediksi

IMPLEMENTASI

Proses Bagging

Tentukan nilai B

Lakukan iterasi

Bentuk sampel bootstrap

Latih menggunakan JST

Apakah semua data sudah dilatih?

Dapatkan Cb

Apakah b = B ?

Prediksi

Proses Boosting

Tentukan nilai awal wb(i) = 1/n

Tentukan nilai B

Lakukan iterasi

Latih menggunakan JST

Hitung nilai εb dan αb

Perbarui wb+1 dan lakukan normalisasi

Apakah semua data sudah dilatih?

Dapatkan Cb

Apakah b = B ?

Prediksi

Antarmuka

Studi Literatur

Desain dan Implementasi

Perbandingan beberapa metode

Perbandingan nilai parameter B

Uji Coba

Uji coba dengan perbandingan beberapa metode No.

Jenis Metode

JST Bagging Boosting

1 70.00 78.33 73.33

2 70.00 79.58 73.75

3 70.00 78.33 73.33

4 70.00 80.00 72.50

5 70.00 78.33 72.08

6 70.00 78.33 73.75

7 70.00 76.25 75.00

8 70.00 75.00 72.08

9 70.00 78.33 71.25

10 70.00 80.42 73.75

Rata Rata 70.00 78.29 73.08

Uji coba dengan perbandingan nilai B untuk metode Bagging

No. Nilai B

10 15

1 76.67 78.33

2 77.50 79.58

3 78.75 78.33

4 76.67 80.00

5 78.75 78.33

6 78.75 78.33

7 78.75 76.25

8 77.08 75.00

9 77.92 78.33

10 77.08 80.42

Rata Rata 77.79 78.29

Uji coba dengan perbandingan nilai B untuk metode Boosting

No. Nilai B

10 15

1 72.50 73.33

2 72.92 73.75

3 72.08 73.33

4 72.50 72.50

5 72.08 72.08

6 73.75 73.75

7 74.58 75.00

8 72.92 72.08

9 70.42 71.25

10 73.75 73.75

Rata Rata 72.75 73.08

KESIMPULAN


Prediksi Kebangkrutan

Jenis Metode Akurasi

JST 70.00 %

Bagging 78.29%

Boosting 73.08%

Hasil

TERIMA KASIH

DAFTAR PUSTAKA

Daftar Pustaka • Kim, M. J. & Kang, D. K. (2010). Ensemble with Neural Networks for

Bankruptcy Prediction. Expert System with Applications, XXXVII, 3373-3379.

• Wieslaw, P. (2004). Application of Discrete Predicting Structures in An Early Warning Expert System for Financial Distress. Tourism Management.

• Mitchell, T. M. (1997). Machine Learning. Singapore: McGraw-Hill Companies Inc.

Jaringan Saraf Tiruan (JST)

• Forward Propagation

Activation Function:

• Backpropagation

( ) )(exp11

xxSig−+

=

)kyk)(tky(kykδ −−= 1

ihokkhwkhw ηδ+=

∑∈

⋅−=keluarank

kkhwhyhyh δδ )1(

ixhihwihw ηδ+=

Sampling with Replacement

Data latih asli 1 2 3 4 5 6 7 8 9

Bagging (1) 7 8 9 8 2 5 9 2 1

Bagging (2) 1 4 9 1 2 3 2 7 3

Bagging (3) 1 8 5 9 5 5 9 6 3

implementasi metode ensemble neural network untuk model

Documents