PREDIKSI PERUBAHAN LABA MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) ALGORITMA GRID SEARCH PADA PERUSAHAAN JASA YANG TERDAFTAR DI BURSA EFEK INDONESIA

Janah, Lia Miftakhul,, B2A014001 (2018) PREDIKSI PERUBAHAN LABA MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) ALGORITMA GRID SEARCH PADA PERUSAHAAN JASA YANG TERDAFTAR DI BURSA EFEK INDONESIA. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Universitas Muhammadiyah Semarang" not defined].

Preview	Text 2.ABSTRAK.pdf Download (690kB) | Preview
Preview	Text 3.BAB I.pdf Download (613kB) | Preview
Preview	Text 4.BAB II.pdf Download (1MB) | Preview
	Text 5.BAB III.pdf Restricted to Repository staff only Download (733kB) | Request a copy
	Text 6.BAB IV.pdf Restricted to Repository staff only Download (864kB) | Request a copy
Preview	Text 7.BAB V.pdf Download (577kB) | Preview
Preview	Text 8. DAFTAR PUSTAKA.pdf Download (473kB) | Preview

Abstract

Perubahan laba merupakan kenaikan atau penurunan laba yang digunakan sebagai indikator kinerja keuangan suatu perusahaan. Support Vector Regression merupakan pengembangan dari metode SVM untuk kasus regresi dengan konsep didasarkan pada risk minimization sehingga SVR mampu mengatasi overfitting. Pendekatan fungsi kernel digunkan untuk menyelesaikan masalah SVR yang non-linier. Metode algoritma grid search mampu mendapatkan parameter SVR yang optimal. Dalam penelitian ini bertujuan untuk mendapatkan model yang tepat untuk prediksi perubahan laba pada perusahaan jasa yang terdaftar di BEI menggunakan support vector regression algoritma grid search. Penelitian ini menggunakan data sekunder dari BEI berupa data perubahan laba tahun 2016 beserta variabel independen meliputi current ratio, debt to total asset, total asset turnover, net profit margin, quick ratio, return on equity, return on asset, dan operating profit margin. Berdasarkan hasil analisis, model SVR algoritma grid search dengan fungsi kernel Radial Basic Function (RBF) yang paling tepat untuk memprediksi perubahan laba pada perusahaan jasa dengan akurasi sebesar 97 % dan MAPE sebesar 15% pada data training serta akurasi sebesar 86% dan MAPE sebesar 2% pada data testing.

Actions (login required)

View Item