Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bank berperan penting dalam sistem perekonomian karena memberikan kontribusi yang signifikan melalui fasilitasi kegiatan usaha. Oleh karena itu, kegagalan dari bank bisa mengakibatkan kerusakan pada sistem keuangan tidak hanya pada suatu negara tetapi juga secara global. Meskipun begitu, kebangkrutan tidak terjadi secara tiba-tiba, tapi terdapat indikasi awal yang dapat diketahui dengan cara meneliti laporan keuangan dari sebuah bank secara cermat. Penelitian ini bertujuan untuk mencari model prediksi kebangkrutan bank terbaik untuk memberi peringatan dini kepada regulator agar efek negatif yang diakibatkan oleh kebangkrutan bank pada sistem perekonomian dapat dikurangi atau bahkan dihindari. Akan digunakan metode berupa supervised machine learninghasil modifikasi dari Support Vector Machinesdengan menambahkan fungsi fuzzy membershipyang biasa disebut Fuzzy Support Vector Machines FSVM . Akan digunakan dua jenis kernel, yaitu kernel RBF dan kernel polinomial sebagai pembanding dalam pembentukan model. Machine learningdipilih sebagai metode untuk prediksi kebangkrutan karena hasil yang didapatkan dapat jauh lebih cepat jika dibandingkan dengan menggunakan metode statistika tradisional. Pembentukan model dan penghitungan nilai akurasi prediksi akan dilakukan dengan menggunakan dataset berisikan 65 bank di Turki dari publikasi tahunan ldquo;Banks in Turkey rdquo; yang diterbitkan oleh Banks Association of Turkey BAT . Tiap data dari 65 bank yang dikumpulkan dari tahun 1997 mdash;2004 memiliki informasi berupa 20 rasio keuangan yang dikelompokkan ke dalam enam kelompok fitur berdasarkan sistem penilaian CAMELS. Selain itu, untuk meningkatkan nilai akurasi dari prediksi, akan digunakan seleksi fitur chi-squareuntuk menyaring fitur-fitur yang tidak relevan dari ke-20 fitur dalam dataset.

---

The bank plays a big role on economic system as they significantly contribute through the facilitation of business. Hence, the collapse of several banks can cause a huge damage to financial systems not only in a country but also globally. Nonetheless, bankruptcy doesn rsquo t happen suddenly, but there are early indications that can be seen by investigating the financial statement of a bank. In this research, we aim to find the best bankruptcy prediction model to give an early warning for regulators so that it can help them to prevent or lessen the negative effects on economic systems. This research will be performing supervised based machine learning that is a modification of SVM by adding fuzzy membership function called Fuzzy Support Vector Machines FSVM . The experiment will also be using kernel RBF and kernel polynomial to construct the model. We chose machine learning for bankruptcy prediction because it can give faster result rather than traditional statistical method. We will be measuring prediction accuracy using a dataset that consists of 65 Turkish banks from the annual publication ldquo Banks in Turkey rdquo issued by the Banks Association of Turkey BAT . Each of the 65 banks that we collected from 1997 mdash 2004 has information of a total of 20 financial ratios with six feature groups based on CAMELS rating system. Furthermore, to improve the accuracy prediction, we also perform chi square feature selection to filter any irrelevant features of total 20 features in our dataset."

"ABSTRAKPada tahun 1994, Turki mengalami krisis keuangan yang sangat berpengaruh negatif terhadap sektor perbankan, sehingga banyak bank yang dinyatakan bangkrut. Kebangkrutan bank memiliki dampak yang besar pada sektor riil dan rumah tangga. Oleh karena itu, penting untuk memprediksi kebangkrutan bank. Tahun 2009, Boyacioglu, Kara dan Baykan telah memprediksi kebangkrutan bank di Turki pada periode 1994-2004 dengan menggunakan CAMELS sebagai variabel prediktor dan Artificial Neural Network, Support V ector Machine serta metode statistik peubah ganda sebagai metode klasifikasi. Namun, pada penelitian ini akan dibuat pembaruan dengan menggunakan random forest. Dari hasil yang didapat, random forest memiliki akurasi 100 performa training dan 94 performa testing dengan mengunakan 20 rasio. Salah satu kelebihan random forest adalah perhitungan variabel penting, apabila dibentuk model dengan menggunakan variabel prediktor terpilih didapat hasil 100 performa training dan 96 performa testing dengan menggunakan 6 rasio. Jika dibandingkan dengan model yang digunakan pada makalah Boyaciaglu, Kara dan Baykan 2009, meskipun pada performa testing random forest tidak memiliki akurasi yang lebih tinggi dari Learning Vector Quantization dengan performa testing 100, namun tingkat akurasinya tidak terlalu berbeda jauh dan random forest tidak memerlukan normalisasi. Pada penelitian ini didapat enam variabel yang paling penting, yaitu: CA2, E1, CA3, SMR1, SMR2 dan E2.

---

ABSTRACTIn 1994, there was a financial crisis in Turkey. Many banks were declared failed because of the negative impact from the crisis. The failure of individual banks has a huge impact on the real sector and households. Therefore, it is important to predict bank failure. The 2009, Boyacioglu, Kara, and Baykan had predicted bank failures in Turkey, during the period 1994 2004 using CAMELS as a predictor variable and Artificial Neural Network, Support Vector Machine, multivariate statistical methods as classifier method. However, in this research we will make novelty by using random forest. Based on our results, random forest has accuracy 100 training performance and 94 testing performance with used 20 ratios. One of advantage in random forest is variable importance measure, if we build model again with variable predictor selection, the result are accuracy 100 training performance and 96 testing performance with used 6 ratios. If we compare with Boyacioglu, et.al 2009, even random forest does not have accuracy more than Learning Vector Quantization with 100 testing performance, but its accuracy is not far away and doesn rsquo t need normalization. In this research we got CA2, E1, CA3, SMR1, SMR2 and E2 are six most important variables. "

"Kanker merupakan salah satu penyebab kematian yang paling sering terjadi di seluruh dunia. Salah satu jenis kanker yang dapat mengancam terutama pada wanita adalah kanker payudara. Terlambatnya pendeteksian dini pada penderita kanker payudara menyebabkan sulitnya penanganan untuk proses penyembuhan dan besarnya angka kemungkinan kematian. Metode machine learning banyak diaplikasikan dalam kasus pendeteksian dini karena metode machine learning cukup efektif untuk mendiagnosis suatu penyakit. Pada penelitian ini digunakan metode Bayesian Logistic Regression untuk memprediksi kanker payudara. Metode Bayesian digunakan untuk menghitung bobot dari setiap parameter dari data pada regresi logistik. Data yang digunakan pada penelitian ini adalah data Wisconsin Breast Cancer Database (WBCD, 1992) yang dapat diakses melalui UCI Machine Learning Repository. Berdasarkan hasil uji coba, metode Bayesian Logistik Regression memperoleh akurasi sebesar 96,85%, precision, recall dan F-1 score sebsar 95,44%. Hasil simulasi tersebut menunjukkan bahwa Bayesian Logistic Regression cukup baik untuk membantu praktisi medis dalam mendiagnosis kanker payudara.

---

Cancer is one of the most common cause of death in the world. One type of cancer that can be threaten women is breast cancer. The delay in early detection in patient with breast cancer can cause difficulty in recovery process and high mortality rate. Machine learning technique is widely applied in cases of early detection, because machine learning technique is quite effective in diagnose a disease. In this study, the Bayesian Logistic Regression method was used to predict breast cancer. The Bayesian method is used to calculate the weight of each parameter from the data in logistic regression. The data that used in this study is the Wisconsin Breast Cancer Database from UCI Machine Learning Repository. Based on the results of the experiment, Bayesian Logistic Regression method give 96.85% accuracy, and 95,44% precision, recall and F-1 score. These performance results show that the Bayesian Logistic Regression is good enough to help medical experts in diagnosing breast cancer.

"

"Penelitian ini memprediksi kegagalan bank di ASEAN 5 dengan estimasi satu tahun sebelum bank tersebut gagal menggunakan kondisi makroekonomi dan fundamental bank pada periode 1996 ? 2014. Pengolahan data menggunakan model regresi panel logit dan multiple imputation. Hasil penelitian menyatakan bahwa kegagalan perbankan ASEAN 5 secara dominan ditentukan oleh kondisi makroekonomi negara. Meskipun demikian, fundamental bank juga berperan dalam menentukan probabilita kegagalan bank, dimana semakin buruknya manajemen, diukur dengan pengelolaan beban operasional dan beban noninterest, akan semakin meningkatkan probabilita kegagalan bank.

---

Panel logit and multiple imputation are used to predict bank failures in ASEAN 5 a year before failures using macroeconomic conditions and bank fundamentals within 1996 - 2014. The finding presented that banks in ASEAN 5 are strongly affected by their macroeconomic conditions. Nevertheless, bank fundamentals also have critical role in predicting bank failures, measured by operating expenses and non-interest expenses, we found that worse bank management will increase the likelihood of bank failures."

"Sistem deteksi dini Early Warning System/ EWS pada bank syariah sangat diperlukan. Dengan adanya EWS, bank syariah dapat lebih berhati-hati dalam menentukan kebijakan-kebijakan yang tepat guna mengantisipasi terjadinya kesulitan keuangan atau bahkan kebangkrutan. Penelitian ini bertujuan untuk menganalisis rasio keuangan dan kondisi makroekonomi dalam memprediksi potensi kebangkrutan bank syariah di Indonesia. Teknik analisis yang digunakan adalah model regresi logistik logit dengan variabel dependen berupa kategorik bangkrut dan tidak bangkrut. Model prediksi menemukan bahwa Capital Adequacy Ratio CAR dan pertumbuhan jumlah uang beredar secara statistik signifikan dalam memprediksi potensi kebangkrutan bank syariah di Indonesia, sedangkan rasio keuangan dan indikator makroekonomi lainnya dalam penelitian ini menunjukkan tidak signifikan. Ketepatan prediksi model sebesar 33.33 untuk kategori bangkrut dan 95.83 untuk kategori tidak bangkrut. Secara keseluruhan, ketepatan prediksi model dalam penelitian ini sebesar 80.21, artinya dari 96 data terdapat 77 data dimana hasil prediksinya sesuai cut off yang ditentukan.

---

Early detection system Early Warning System EWS in Islamic banks are indispensable. With the existence of EWS, Islamic banks must be more cautious in determining appropriate policies in order to anticipate financial distress or even bankruptcy. This study aimed to analyze the financial ratios and macroeconomic conditions in predicting the bankruptcy potential of Islamic banks in Indonesia. The analysis technique used is the logistic regression model logit with dependent variable in the form of categorical bankrupt and not bankrupt. The prediction model found that the Capital Adequacy Ratio CAR and money supply growth are statistically significant in predicting the potential bankruptcy of Islamic banks in Indonesia, while the financial ratios and other macroeconomic indicators in this study showed no significant. The accuracy of prediction by the model is 33.33 for the category of bankrupt and 95.83 for the non bankrupt category. Overall, accuracy of the model prediction in this study is 80.21, that means there are 77 of 96 data where the prediction results in accordance with the cut off which is determined."

"Masalah kebangkrutan perusahaan asuransi telah menjadi perhatian khusus bagi pimpinan, karyawan, maupun nasabah perusahaan asuransi. Kekhawatiran ini muncul seiringan dengan dampak yang dapat ditimbulkan dari kebangkrutan perusahaan, yaitu perusahaan asuransi tidak mampu memenuhi kewajibannya kepada nasabah, sehingga uang premi yang telah dibayarkan oleh nasabah dalam jangka waktu tertentu menjadi sia-sia. Maka dari itu sebagai upaya untuk mencegah terjadinya kebangkrutan perusahaan asuransi, kami mencari suatu metode yang kiranya mampu mendeteksi kebangkrutan perusahaan asuransi dengan baik. Pada penelitian ini kami menggunakan beberapa algoritma machine learning, dan ternyata nilai akurasi dari simulasi program yang dilakukan mencapai 93.00 . Ini menunjukkan bahwa algoritma machine learning yang kami gunakan pada penelitian ini dapat dijadikan alat yang efektif untuk memprediksi kebangkrutan perusahaan asuransi.

---

Insolvency of insurance companies has been a concern of parties such as the management, the workers, and of course the consumers of insurance companies. This concern has arisen by the impact when an insurance companies got insolvent, that is, the company is unable to fulfil their obligations to customer. So, the premium that have paid by the customer becomes useless. As the attempt to prevent the insolvency of insurance company, we were looking for methods that able to make the insolvency prediction. In this study, we used several machine learning algorithms. The results are very encouraging and show that the algorithms can be a useful tool in this sector. We found that the algorithms achieved 93.00 accuracy rate."

"Perbankan adalah industri yang paling sering mengubah strategi bisnisnya untuk memenuhi permintaan pelanggan dibandingkan dengan industri lain. Teknologi informasi (TI) yang digunakan sebagai pendukung bisnis dalam meningkatkan keuntungan diharapkan mampu untuk mengakomodir perubahan bisnis yang cepat tersebut. Seiring dengan berjalannya waktu, TI semakin kesulitan untuk menyelaraskan hubungan dengan bisnis. Bank XYZ sebagai salah satu aktor dalam industri perbankan tidak lepas dari permasalahan ini. TI di Bank XYZ dianggap tidak dapat mengakomodir kebutuhan bisnis dengan cepat. Salah satu faktor yang menyebabkan kelambatan ini adalah infrastruktur TI yang tidak adaptif. Penelitian ini bertujuan untuk memberikan cetak biru infrastruktur TI yang adaptif bagi Bank XYZ dengan menggunakan metode pengembangan arsitektur TI yaitu TOGAF ADM. Hasil dari penelitian ini adalah sebuah cetak biru infrastruktur TI yang adaptif yang dapat digunakan untuk menopang perubahan aplikasi dalam mengakomodir perubahan bisnis yang cepat. Walaupun demikian, penelitian ini memiliki keterbatasan dengan tidak menyertakan prioritas dan roadmap pada cetak biru yang dihasilkan.

---

Banking has been an industry that most frequently changes its business strategy in order to meet its customer demand compared to other industries. Information Technology (IT) as a support for the business is expected to be able to accommodate the business changes. As business changes become more and more rapidly, aligning IT to business has been more and more difficult. XYZ Bank, one of the actors in the banking industry, also encounters this problem. The IT in XYZ Bank is considered unable to cope with the fast business changes. One of the factors that cause this problem is its non-adaptive IT infrastructure. Therefore, this study aims to propose a blueprint for an adaptive IT infrastructure at XYZ Bank using TOGAF ADM IT architecture development method. The result of this study is a blueprint of an adaptive IT infrastructure that can accommodate application changes in supporting the fast changing banking businesses. However, this study still has limitations for the blueprint does not include prioritization and roadmap."

"Kode Etik dan Perilaku merupakan aspek penting yang menjadi pedoman bagi perusahaan. Makalah ini mengevaluasi penerapan Kode Etik dan Perilaku di Commonwealth Bank Australia. Makalah ini akan membahas pelanggaran Kode Etik serta implikasinya terhadap bank, pentingnya inisiatif Tata Kelola Teknologi Informasi (TI) dan Tanggung Jawab Sosial Perusahaan (CSR) terkait dengan Kode Etik dan Perilaku bank, dan peran bank sebagai salah satu penandatangan United Nation Global Compact.

---

Code of Conduct and Ethics is an important aspect that act as guidelines for company. This paper evaluates the application of Commonwealth Bank Australia Code of Conduct and Ethics. This paper will cover Code of Conduct and Ethics breaches as well as their implication to the bank, the importance of Information Technology (IT) Governance and Corporate Social Responsibility (CSR) initiatives related to the bank Code of Conduct and Ethics, and the bank’s role as one of the United Nation Global Compact Signatory."

"Tren kenaikan frekuensi dan severitas klaim untuk klaim asuransi kendaraan bermotor menyebabkan dibutuhkannya metode otomatisasi baru untuk memprediksi probabilitas seorang pemegang asuransi kendaraan akan mengajukan klaim jika diberikan data historis mengenai pemegang asuransi tersebut, agar perusahaan asuransi dapat memilah dan memproses lebih lanjut para pemegang polis yang kemungkinan mengajukan klaimnya tinggi. Masalah ini dapat diselesaikan dengan berbagai metode, salah satunya dengan machine learning, yang mengkategorisasikan masalah tersebut sebagai masalah supervised learning. Volume data yang besar dan banyaknya kemungkinan adanya missing values pada data pemegang asuransi menjadi dua aspek yang mempengaruhi pemilihan model machine learning yang tepat. XGBoost merupakan model gradient boosting machine learning baru yang dapat mengatasi missing value dan volume data besar sehingga XGBoost diklaim merupakan metode yang tepat untuk digunakan pada masalah tersebut. Dalam skripsi ini akan diaplikasikan metode XGBoost kepada masalah ini, dan akan dibandingkan hasilnya dengan berbagai metode machine learning lainnya, seperti AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, dan Logistic Regression.

---

The increasing trend of claim frequency and claim severity for auto-insurance result in a need of new methods to predict whether a policyholder will file an auto-insurance claim or not, given historical data about said policyholder, so that insurance industries can further process policyholders with high claim probability. This problem can be solved with many methods, one of which is machine learning, which categorizes this problem as a supervised learning problem. The high data volume and the existence of missing values on a policyholders historical data are aspects that the chosen machine learning model must be able to handle. XGBoost is a novel gradient boosting machine learning problem that is able to inherently handle missing values and high volume of data, which should make the model suitable for this problem. In this thesis, XGBoost will be applied to this problem, and its performance will be compared by other machine learning models, such as AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, and Logistic Regression."

"Akibat memburuknya kondisi perekonomian akibat kenaikan harga minyak mentah dunia, perusahaan dan bank-bank harus memikirkan cara untuk dapat mempertahankan kelangsungan hidup dari usahanya. Kondisi perekonomian seperti ini menyebabkan perusahaan dan bank-bank mengalami apa yang disebut dengan financial distress, yaitu berdasarkan definisi yang dikemukakan Stephen A. Ross dalam Buku Corporate Finance Sixth Edition; Financial distress is a situation where a firm's operating cash flows are not sufficient to satisfy current obligations (such as trade credits or interest expenses) and the firms is forced to take corrective action.Edward I. Altman telah mengembangkan suatu model yang dapat digunakan oleh Para analis keuangan untuk mengetahui kebangkrutan suatu perusahaan, yaitu Z-Score Model, yang diterapkan pada perusahaan manufaktur dan non manufaktur; perusahaan private dan perusahaan non manufaktur.Berdasarkan hasil pengujian terhadap Laporan Keuangan Bank-Bank yang telah dicabut ijin usahanya, didapatkan hasil test bahwa lebih dari 50% bank-bank tersebut tergolong bangkrut. Atas dasar hat tersebut, penulis berkesimpulan bahwa Z -Score Model Altman untuk perusahaan private dan manufaktur dapat diterapkan pada Laporan Keuangan Bank.Bank-bank yang telah tergolong bangkut tersebut oleh Bank Indonesia disebut sebagai bank bermasalah. Bank-bank ini mendapatkan pengawasan khusus dari Bank Indonesia dan diupayakari untuk dapat disehatkan kembali kondisinya, dengan berbagai cara seperti merger, akuisisi, mencari investor, dan lain-lain, selanjutnya apabila tidak bisa disehatkan kembali maka bank tersebut akan dilikuidasi.Z-Score Model yang dikembangkan oleh E.I. Altman ini masih perlu diteliti kembali khususnya untuk meramalkan kebangkrutan bank-bank, karena terdapat perbedaan yang mendasar dan kegiatan usaha perusahaan dengan perbankan. Di samping itu Z-Score Model dan Altman ini belum memasukkan unsur risiko, off balance sheet transactions dan prudential banking sesuai dengan ketentuan yang berlaku di perbankan.

---

Because of the deterioration of economic conditions since the government increased fuel prices, many companies included banks have been in trouble in its financial condition. To maintain the sustainability of its business, every company must have a good solution in order to deal with this problem. This condition complies with the definition made by Stephen A. Ross in his book Corporate Finance Sixth Edition stating that Financial distress is a situation where a firm's operating cash flows are not sufficient to satisfy current obligations (such as trade credits or interest expenses) and the firms is forced to take corrective action.

Edward I. Altman had developed Z-Score Model to predict firm's bankruptcy. He made two models for different company, that were Z-Score Model for manufacturing and non manufacturing companies and Z-Score Model for private company and non manufacturing company.

The result of testing Z-Score Model to Financial Statement from liquidated banks is that, more than 50% of these banks are proven to be bankrupt banks. Based on this empirical result, I conclude that Z-Score Model from Altman is a good model to predict bank's bankruptcy.

This finding is appropriate with the measures taken by Bank Indonesia as a Central Bank that classified these banks as insolvent banks. These banks, then, received special treatment from Bank Indonesia. In order to make financial condition of these banks was sound, banks and Bank Indonesia must have such solutions as searching new investor, adding up capital, merger, acquisitions, takeovers, etc. Bank Indonesia gave opportunity to bank as follows; if a bank cannot be restored or fail after acquiring special treatment, banks will be closed by Bank Indonesia.

Z-Score Model from E.I. Altman must have developed again because these models are designed for manufacture and non manufacture and private company. If these models are used to banking, many thing likes risk, off balance sheet transactions and prudential banking should be accounted in order to create a suitable models for bank's bankruptcy."