Analisis Penumpukan Pengajuan Pembayaran pada Akhir Tahun dalam Sistem Kelola Anggaran PDAM Menggunakan Random Forest Classifier

Winata, Fahmi Agil (2023) Analisis Penumpukan Pengajuan Pembayaran pada Akhir Tahun dalam Sistem Kelola Anggaran PDAM Menggunakan Random Forest Classifier. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 09211950095005-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (18MB) | Request a copy

Abstract

Pengajuan pembayaran kepada vendor sebagai bagian penyerapan anggaran dalam sistem kelola anggaran di PDAM Kota Surabaya merupakan tahapan yang penting, yang mana awal dari beredarnya dana yang dihimpun oleh perusahaan kepada stakeholder untuk menjalankan program kegiatan perusahaan. Permasalahan klasik adalah kecenderungan penumpukan pengajuan pembayaran pada akhir tahun atau triwulan IV, berdampak pada beberapa temuan yang belum selesai diproses atau dibatalkan. Begitu juga terjadi peningkatan cash flow, peningkatan beban kerja pada bagian keuangan serta kurangnya kualitas belanja atau investasi perusahaan. Penelitian ini bertujuan untuk melakukan pemodelan random forest classifier serta menganalisis kecenderungan penumpukan pengajuan pembayaran pada triwulan IV. Proses penelitian ini dimulai dari pengambilan dan pemrosesan data menggunakan metode Machine Learning dalam hal ini pengembangan model Random Forest Classifier, pengujian data, dan analisis hasil pengujian. Dengan proporsi data training 75% dan data testing 25%, evaluasi kinerja model menunjukkan hasil yang sangat baik dengan nilai yang mendekati sempurna (1.0) untuk semua metrik evaluasi yang digunakan: akurasi (accuracy), presisi (precision), recall, dan F1-score. Nilai AUC (Area Under the Curve) pada data testing juga sangat tinggi, meskipun sedikit lebih rendah daripada pada data training. Hal ini menunjukkan bahwa model masih mampu dengan sangat baik dalam membedakan antara kelas positif dan kelas negatif pada data testing. Secara keseluruhan, hasil evaluasi menunjukkan bahwa model yang telah dilatih menggunakan data training dapat dengan sangat baik menggeneralisasi dan memprediksi data baru pada data testing. Hal ini menandakan bahwa model memiliki kinerja yang baik dan mampu melakukan klasifikasi dengan akurasi tinggi serta mampu mengidentifikasi variabel-variabel signifikan yang mana berguna menghasilkan pendekatan perbaikan yang lebih komprehensif serta memformulasikan strategi yang tepat untuk mengoptimalkan kinerja para stakeholder maupun program kegiatan perusahaan dalam merealisasikan pengajuan pembayaran dari tiap satuan kerja
=====================================================================================================================================
Submission of payments to vendors as part of budget absorption in the budget management system at PDAM Kota Surabaya is an important stage, which is the beginning of the funds being circulated which are raised by the company to stakeholders to carry out the company's program of activities. The classic problem is the extension of filing payments at the end of the year or quarter IV, which has an impact on several findings that have not been completed or canceled. Likewise, there is an increase in cash flow, an increase in the workload on the finance department and a decrease in the quality of the company's spending or investment. This study aims to model the random forest classifier and analyze the extension of payment requests in the fourth quarter. The research process starts with data collection and processing using the Machine Learning method, in this case the development of the Random Forest Classifier model, data testing, and analysis of test results. With the proportion of training data 75% and data testing 25%, the performance evaluation of the model shows very good results with scores close to perfect (1.0) for all evaluation metrics used: accuracy (accuracy), precision (precision), recall, and F1 score. The AUC (Area Under the Curve) value on the testing data is also very high, although slightly lower than the training data. This shows that the model is still very good at distinguishing between positive and negative classes in data testing. Overall, the evaluation results show that models that have been careful to use data training can generalize very well and predict new data on data testing. This indicates that the model has good performance and is able to carry out classifications with high accuracy and is able to identify significant variables which are useful in producing a more comprehensive improvement approach and formulating the right strategy to optimize the performance of stakeholders and the company's activity program in submitting payments. from each work unit.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Anggaran, Machine Learning, PDAM, Pembayaran, Vendor; Budget, Payment, PDAM, Machine Learning, Vendor
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD108 Classification (Theory. Method. Relation to other subjects )
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Fahmi Agil Winata
Date Deposited:	21 Aug 2023 07:46
Last Modified:	21 Aug 2023 07:46
URI:	http://repository.its.ac.id/id/eprint/104824

Actions (login required)

View Item