BACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN
Abstract
Backpropagation neural network (BNN) merupakan salah satu metode machine learningyang sesuai untuk analisis data kualitatif (data biner). BNN ini digunakan untuk mendapatkan akurasi yang tinggi dari hasil analisis. Akurasi yang tinggi dapat diperoleh dengan menggunakan algoritma resilient BNN. Oleh karena itu penelitian ini akan menerapkan metode resilient BNN untuk mengoptimumkan akurasi berdasarkan hasil analisis prediksi financial distress dengan logostic regression (LR).Hasilanalisismenunjukkanbahwa akurasi yang dihasilkan dengan resilient BNN meningkat 23.81% dari analisis sebelumnya, yaitu menggunakan LRdengan akurasi sebesar 66.67%. Akurasi optimum pada resilient BNN ini terjadi pada penggunaan 7 hidden layer.
Downloads
References
Jiang, J., Zhang, J., Yang, G., Zhang, D., dan Zhang, L.2010. “Application of Backpropagation Neural Network in the Classification of High Resolution Remote Sensing Image: Take Remote Sensing Image of Beijing for Instance.” In Proceedings of 18th International Conference on Geoinformatics, IEEE, 1-6.
Kişi, Özgür dan Uncuoğlu, Erdal. 2005. “Comparison of Three Back-Propagation Training Algorithms for Two Case Studies.” In Journal of Engineering and Materials Sciences, 434-442.
Chen, Chien-Sheng dan Su, Szu-Lin. 2010. “Resilient Back-propagation Neural Network for Approximation 2-D GDOP.” In Proceedings of the International Multi Conference of Engineers and Compueter Scientists 2010, Vol II.
Elloumi, Fathi dan Gueyié, Jean-Pierre. 2001. “Financial Distress and Corporate Governance : An Empirical Analysis.” In the International Journal of Business in Society, Vol. 1, No. 1, 15-23.
Suhartono. 2007. Feed Forward Neural Networks Untuk Pemodelan Runtun Waktu. Disertasi Program Doktoral Ilmu Matematika. Universitas Gadjah Mada, Yogyakarta.
Fausett, Lauren. 1994. Fundamental of Neural Networks: Architectures, Algorithms and Applications. 1stedition. Prentice Hall, New Jersey.
Riedmiller, M. dan Braun, H. 1993. “A Direct Adaptive method for Faster Backpropagation Learning : The RPROP Algortihm.” In Proceedings of the IEEE International Conference on Neural Networks (ICNN), 586-591
Mushgil, Hanaa M., Alani, H. A., dan George, Loay E. 2015. “Comparison between Resilient and Standard Back Propagation Algorithms Efficiency in Pattern Recognition.” In International Journal of Scientific & Engineering Research, Vol. 6, Issue 3, 773-778.