ANALISIS RISIKO DALAM LAPORAN KEUANGAN PERUSAHAAN PUBLIK INDONESIA MENGGUNAKAN NATURAL LANGUAGE PROCESSING DAN MACHINE LEARNING

Ramadhan, Maisaan Muzakki (2026) ANALISIS RISIKO DALAM LAPORAN KEUANGAN PERUSAHAAN PUBLIK INDONESIA MENGGUNAKAN NATURAL LANGUAGE PROCESSING DAN MACHINE LEARNING. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (946kB)
	Text BAB 1.pdf Download (186kB)
	Text BAB 2.pdf Download (655kB)
	Text BAB 3.pdf Download (367kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (114kB)
	Text LAMPIRAN.pdf Download (608kB)

Abstract

Penelitian ini bertujuan untuk menganalisis serta membandingkan kinerja algoritma Support

Vector Machine (SVM) dan IndoBERT dalam mengklasifikasikan informasi risiko yang terdapat pada laporan keuangan perusahaan publik di Indonesia. Data yang digunakan berupa teks laporan tahunan perusahaan yang tergabung dalam indeks LQ45 dan diperoleh dari situs resmi Bursa Efek Indonesia (BEI), dengan fokus pada bagian naratif seperti Management Discussion and Analysis (MD&A) dan Faktor Risiko. Proses analisis dilakukan melalui beberapa tahapan prapemrosesan teks, yaitu cleaning, case folding, normalisasi, tokenisasi, stopword removal, dan stemming. Pada tahap representasi fitur, model SVM menggunakan pembobotan TF-IDF, sedangkan IndoBERT memanfaatkan representasi embedding berbasis konteks yang telah dipra-latih untuk bahasa Indonesia. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score, serta dianalisis melalui confusion matrix untuk melihat distribusi prediksi antar kelas risiko. Hasil penelitian menunjukkan bahwa model SVM memberikan performa yang lebih stabil dan sedikit lebih unggul dibandingkan IndoBERT, khususnya pada kondisi dataset yang relatif terbatas dan tidak sepenuhnya seimbang. Temuan ini menunjukkan bahwa pendekatan machine learning klasik masih relevan dan efektif dalam menganalisis teks laporan keuangan yang bersifat formal dan terstruktur. Penelitian ini dibatasi pada laporan tahunan perusahaan LQ45 periode 2024 dan hanya membandingkan dua pendekatan model, sehingga hasil yang diperoleh masih terbuka untuk
dikembangkan pada penelitian selanjutnya dengan cakupan data dan metode yang lebih luas

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 07:01
Last Modified:	02 Jun 2026 07:01
URI:	https://repository.unas.ac.id/id/eprint/16337

Actions (login required)

View Item