Klasifikasi Multi-Label dengan Metode Back-Propagation Neural Network Pada Kasus Pemeriksaan Laporan Keuangan

Butar Butar, Thio Marta Elisa Yuridis (2025) Klasifikasi Multi-Label dengan Metode Back-Propagation Neural Network Pada Kasus Pemeriksaan Laporan Keuangan. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025231009-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB)

Abstract

Pemeriksaan Laporan Keuangan (LK) yang dilakukan oleh Badan Pemeriksa Keuangan Republik Indonesia (BPK RI) di wilayah Provinsi Kepulauan Riau (Kepri) memiliki beberapa kendala. Beberapa di antaranya adalah waktu pemeriksaan yang singkat dengan jumlah tim pemeriksaan yang terbatas dan banyaknya data pengelolaan keuangan. Jika informasi akun yang diperkirakan mengandung temuan penting yang mempengaruhi opini, ini dapat membantu pemeriksa dalam menentukan akun LK yang akan diperiksa lebih lanjut. Penelitian sebelumnya tentang pemeriksaan LK telah menggunakan klasifikasi label tunggal, seperti prediksi opini, identifikasi opini, dan deteksi opini, serta klasifikasi multi-label, seperti Metode Transformasi Masalah; penelitian ini menggunakan Metode Back-Propagation Neural Network dari klasifikasi label multi-label. Dengan menggunakan 33 (tiga puluh tiga) label, yaitu rasio keuangan yang diambil dari Laporan Keuangan Pemerintah Daerah (LKPD) di wilayah Provinsi Kepri Tahun Anggaran (TA) 2008 s.d. 2023, dan 7 (tujuh) label, yaitu opini dan pengecualian yang diambil dari Laporan Hasil Pemeriksaan (LHP) atas LKPD di wilayah Provinsi Kepri TA 2009 s.d. 2023. Studi ini menggunakan 2 (dua) metode—Back-Propagation Neural Network (BPNN) dan Deep Back-Propagation Neural Network (DBPNN), dikomputasikan dengan 2 (dua) arsitektur model—Multilayer Perceptron (MLP) dan Voted Perceptron (VP). Kinerja klasifikasi dinilai dengan menggunakan metode validasi silang 10-fold pada 8 (delapan) skema dataset yang berasal dari 2 (dua) skema atribut yang dinormalisasi dengan 4 (empat) skema normalisasi. Hasil metrik evaluasi kinerja klasifikasi nilai terbaik adalah sebagai berikut: Accuracy adalah 0.9048, Precision adalah 0.5776, Recall adalah 1.000, dan F-Measure adalah 0.5048. Diketahui bahwa kombinasi klasifikasi BPNN-VP memberikan kinerja yang cukup baik, dan skema atribut yang diambil dari sektor publik memberikan hasil yang lebih baik daripada modifikasi yang dibuat oleh sektor swasta.
============================================================
The audit of Financial Statements conducted by the Financial Audit Board of the Republic of Indonesia (BPK RI) in the Riau Islands Province has several obstacles. Some of them are the short audit time with a limited number of audit teams and the large amount of financial management data. If the estimated account information contains important findings that affect the opinion, this can help the auditor in determining the Financial Statements account to be audited further. In previous studies on Financial Statements audits, single-label classifications, such as opinion prediction, opinion identification, and opinion detection; and multi-label classifications, such as the Problem Transformation Methods. However, this study uses the Back-Propagation Neural Network Methods from multi-label classification. By using 33 (thirty-three) labels, namely financial ratios taken from the Regional Government Financial Statements in the Riau Islands Province for 2008 to 2023 Fiscal Year, and 7 (seven) labels, namely opinions and exceptions taken from the Audit Results Report on the Regional Government Financial Statements in the Riau Islands Province for 2009 to 2023 Fiscal Year. This study uses 2 (two) methods—Back-Propagation Neural Network (BPNN) and Deep Back-Propagation Neural Network (DBPNN) computed with 2 (two) model architectures—Multilayer Perceptron (MLP) and Voted Perceptron (VP). Classification performance is assessed using the 10-fold cross-validation methods on 8 (eight) dataset schemes derived from 2 (two) attribute schemes normalized with 4 (four) normalization schemes. The results of the best value classification performance evaluation metrics are as follows: Accuracy is 0.9048, Precision is 0.5776, Recall is 1.000, and F-Measure is 0.5048. It is known that the combination of BPNN-VP classification provides quite good performance, and the attribute scheme taken from the public sector gives better results than the modification made by the private sector.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	klasifikasi multi-label, laporan hasil pemeriksaan, laporan keuangan, metode back-propagation neural network, rasio keuangan, back-propagation neural network methods, audit reports, financial ratios, financial statements, multi-label classification
Subjects:	Q Science > Q Science (General) > Q325.78 Back propagation
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Thio Marta Elisa Yuridis Butar Butar
Date Deposited:	30 Jul 2025 05:38
Last Modified:	30 Jul 2025 05:38
URI:	http://repository.its.ac.id/id/eprint/123252

Actions (login required)

View Item