Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
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
Page 2
Materi
Latar Belakang
Tujuan
Permasalahan
Pengembangan Perangkat Lunak
Kesimpulan
Page 3
LATAR BELAKANG
Page 4
Latar Belakang
Pengambilan keputusan finansial
Model prediksi kebangkrutan
Ensemble neural network
Page 5
TUJUAN
Page 6
Tujuan
Implementasi
Ensemble Neural Network
Prediksi Kebangkrutan
Page 7
PERMASALAHAN
Page 8
Permasalahan
Implementasi
Uji model
Page 9
PENGEMBANGAN PERANGKAT LUNAK
Page 10
Studi Literatur
Desain dan Implementasi Uji Coba
Pengembangan Perangkat Lunak
Page 11
Desain dan Implementasi Uji Coba Studi
Literatur
Ensemble Neural Network
JST (Jaringan Saraf Tiruan)
Bagging (Bootstrap
Aggregating)
Boosting
Page 12
Jaringan Saraf Tiruan (JST)
Page 13
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
Page 14
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
Page 15
PERANCANGAN PERANGKAT LUNAK
Page 16
Data Masukan: Data Wieslaw
Jenis Kelas
Jumlah Kelas
Positif
128
Negatif
112
Page 17
Data Keluaran
Jenis Kelas
Definisi
Positif
Bangkrut
Negatif
Tidak bangkrut
• Data keluaran latih: model klasifikasi • Data keluaran uji: hasil prediksi
Page 18
IMPLEMENTASI
Proses Bagging
Page 20
Tentukan nilai B
Lakukan iterasi
Bentuk sampel bootstrap
Latih menggunakan JST
Apakah semua data sudah dilatih?
Dapatkan Cb
Apakah b = B ?
Prediksi
Proses Boosting
Page 22
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
Page 26
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
Page 27
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
Page 28
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
Page 29
KESIMPULAN
Page 30
Ensemble Neural Network
Prediksi Kebangkrutan
Jenis Metode Akurasi
JST 70.00 %
Bagging 78.29%
Boosting 73.08%
Hasil
Page 31
TERIMA KASIH
Page 32
DAFTAR PUSTAKA
Page 33
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.
Page 34
Jaringan Saraf Tiruan (JST)
• Forward Propagation
Activation Function:
• Backpropagation
( ) )(exp11
xxSig−+
=
)kyk)(tky(kykδ −−= 1
ihokkhwkhw ηδ+=
∑∈
⋅−=keluarank
kkhwhyhyh δδ )1(
ixhihwihw ηδ+=
Page 35
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