Deri Ferdiansyah, 11451101692 (2019) PREDIKSI KEBANGKRUTAN BANK BERDASARKAN RASIO CAMEL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ). Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

	Text Laporan TA Full Kecuali Bab 5.pdf Download (14MB)
	Text (BAB V) Hasil Penelitian Tugas Akhir (Bab5).pdf - Published Version Restricted to Repository staff only Download (11MB)

Abstract

Bank merupakan lembaga keuangan bertujuan untuk menjalankan kegiatan usaha sebagaimana telah di tetapkan pada Peraturan Bank Indonesia nomor: 6/10/PBI/2004 tentang sistem penilaian tingkat kesehatan bank. Sekarang ini sektor keuangan khususnya perbankan tingkat persaingan semakin ketat dan tajam. Perusahaan maupun perbankan mengalami kesulitan keuangan (financial distress) yang membuat lemahnya daya saing sehingga mengarah kearah kebangkrutan. Agar suatu bank bisa terhindar dari kebangkrutan, suatu bank dituntut untuk bisa bersaing dengan bank lain, memberikan layanan jasa keuangan yang baik kepada masyarakat dan menjaga tingkat kesehatan bank berdasarkan unsur yang terdapat dalam CAMEL (Capital, Asset Quality, Management, Earning dan Liquidity). Penelitian ini menerapkan metode Particle Swarm Optimization (PSO) dan Learning Vector Quantization (LVQ) dalam memprediksi kebangkrutan suatu bank berdasarkan rasio CAMEL. Penggunaan metode PSO adalah untuk mengoptimasikan vektor bobot awal pada LVQ. Tingkat akurasi yang dihasilkan menggunakan metode PSO-LVQ adalah sebesar 96% pada pembagian data latih dan data uji 80:20 dengan parameter yang digunakan adalah jumlah partikel 100 partikel, iterasi 50, nilai c1 dan c2 0.7, nilai r1 dan r2 0.4, nilai Wmin 0.5, Wmax 0.6, learning rate 0.1 dan minimum learning rate 0.02. Berdasarkan pengujian yang dilakukan dapat disimpulkan bahwa metode PSO-LVQ menghasilkan akurasi yang tinggi untuk kasus prediksi. Kata Kunci: Bank, CAMEL (Capital, Asset Quality, Management, Earning dan Liquidity), Kebangkrutan, LVQ, PSO, PSO-LVQ.

Actions (login required)

View Item