PREDIKSI FINANCIAL DISTRESS PERUSAHAAN PERTAMBANGAN BATUBARA DI BURSA EFEK INDONESIA MENGGUNAKAN SUPPORT VECTOR MACHINE, K-NEAREST NEIGHBOR DAN NAIVE BAYES CLASSIFIER

Abstract

Dalam lima tahun terakhir, industri batubara mengalami penurunan volume ekspor yang berdampak pada menurun nya kinerja keuangan perusahaan yang bergerak pada industri batubara. Pada penelitian ini prediksi financial distress dilakukan menggunakan metode data mining yaitu menggunakan model Support Vector Machine, k-Nearest Neighbor, dan Naive Bayes Classifier dengan menggunakan 5 rasio keuangan sebagai parameter inputnya, yaitu Current Ratio, Debt to Assets Ratio, Quick Ratio, Return on Asset, dan Working Capital to Total Assets Ratio. Hasil Penelitian menunjukan bahwa tingkat akurasi prediksi dengan model K-Nearest Neighbor adalah sebesar 89,5% pada data uji dan 88,6% pada data latih, model Naïve Bayes Classifier adalah sebesar 84,5% pada data uji dan 82,3% pada data latih, sedangkan model Support Vector Machine dengan menggunakan fungsi kernel RBF C=10 dan nilai Gamma=2 adalah sebesar 94,7% pada data uji dan 86,5% pada data latih. Dengan ini maka disimpulkan model SVM memiliki kinerja paling baik diantara model KNN dan NBC.