ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Kecurangan laporan keuangan (Financial Statement Fraud) merupakan masalah serius yang dapat merugikan investor dan pengguna laporan keuangan. Seiring perkembangan teknologi, metode konvensional dinilai belum optimal sehingga diperlukan pendekatan Machine Learning. Penelitian ini bertujuan untuk mengetahui kemampuan Random Forest dalam mendeteksi Financial Statement Fraud serta mengidentifikasi variabel yang paling berkontribusi berdasarkan Fraud Triangle. Penelitian ini menggunakan pendekatan kuantitatif pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) periode 2021–2024. Sampel penelitian terdiri atas 73 perusahaan dengan 292 observasi yang dipilih menggunakan teknik purposive sampling. Deteksi fraud dilakukan menggunakan Beneish M-Score dengan variabel Financial Target, External Pressure, Nature of Industry, dan Change in Auditor. Data diolah melalui pre-processing, SMOTE, dan pemodelan Random Forest. Hasil penelitian menunjukkan bahwa Random Forest mampu mendeteksi fraud dengan nilai accuracy sebesar 0,7627. Variabel yang paling dominan adalah Nature of Industry, diikuti Financial Target dan External Pressure, sedangkan Change in Auditor memiliki kontribusi paling kecil. Kesimpulannya, Random Forest dapat digunakan sebagai metode dalam mendeteksi Financial Statement Fraud, meskipun masih perlu pengembangan lebih lanjut. Financial statement fraud is a serious issue that can harm investors and users of financial statements. By advancement of technology, conventional methods are considered suboptimal, necessitating a Machine Learning approach. This study aims to determine the ability of Random Forest to detect financial statement fraud and to identify the variables that contribute most significantly based on the Fraud Triangle. This study employed a quantitative approach on manufacturing companies listed on the Indonesia Stock Exchange (IDX) for the period 2021–2024. The research sample consisted of 73 companies with 292 observations selected using purposive sampling. Fraud detection was performed using the Beneish M-Score with the variables Financial Target, External Pressure, Nature of Industry, and Change in Auditor. The data was processed through pre-processing, SMOTE, and Random Forest modeling. The results showed that Random Forest is capable of detecting fraud with an accuracy of 0.7627. The most dominant variable is Nature of Industry, followed by Financial Target and External Pressure, while Change in Auditor has the smallest contribution. In conclusion, Random Forest can be used as a method for detecting Financial Statement Fraud, although further development is still needed.
ThesisOpen AccessMetadata saja
2026•
Penelitian ini bertujuan menganalisis kinerja machine learning dalam memprediksi kecurangan laporan keuangan berdasarkan teori fraud pentagon serta mengidentifikasi kontribusi masing-masing variabel fraud pentagon. Penelitian menggunakan pendekatan kuantitatif dengan 385 observasi perusahaan sektor consumer cyclical yang terdaftar di Bursa Efek Indonesia periode 2020–2024. Kecurangan laporan keuangan diukur menggunakan Beneish M-Score, sedangkan variabel independen meliputi pressure, opportunity, rationalization, capability, dan arrogance. Analisis dilakukan menggunakan random forest sebagai model utama, dengan logistic regression dan Ordinary Least Squares (OLS) sebagai model pembanding serta SMOTE untuk menangani ketidakseimbangan data. Hasil penelitian menunjukkan bahwa model machine learning memiliki kinerja lebih baik dibandingkan OLS, dengan logistic regression menghasilkan performa terbaik dan random forest menunjukkan kemampuan prediksi yang sangat tinggi. Analisis feature importance menunjukkan bahwa pressure merupakan variabel yang paling dominan, diikuti oleh opportunity, arrogance, capability, dan rationalization. Temuan ini mengindikasikan bahwa tekanan untuk mencapai target kinerja keuangan menjadi faktor utama yang berkontribusi terhadap risiko kecurangan laporan keuangan pada perusahaan sektor consumer cyclical.
ThesisOpen AccessMetadata saja
2026•Skripsi, Thesis, Disertasi, dan Tugas Akhir
Curah hujan merupakan parameter meteorologi yang berperan penting dalam sektor pertanian, pengelolaan sumber daya air, dan mitigasi bencana hidrometeorologi. Di Stasiun Meteorologi BMKG Kota Tarakan, analisis curah hujan masih dilakukan secara manual sehingga kurang efisien dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan mengembangkan sistem analisis data curah hujan berbasis supervised learning menggunakan algoritma Random Forest. Sistem mengintegrasikan parameter atmosfer hasil pengamatan Radiosonde, yaitu suhu, kelembapan, tekanan udara, serta indeks stabilitas atmosfer dengan data curah hujan Automatic Rain Gauge. Sistem dikembangkan menggunakan bahasa pemrograman Python dan framework Streamlit dalam bentuk aplikasi berbasis web. Hasil pengujian menunjukkan bahwa model Random Forest mampu mengklasifikasikan curah hujan dengan kinerja yang baik, Hasil classification report menunjukkan bahwa kategori “Berawan – hujan ringan” memiliki nilai precision, recall, dan F1-score yang cukup tinggi, masing-masing sebesar 0,84, 0,94, dan 0,89. Nilai-nilai ini menunjukkan bahwa model mampu mengidentifikasi kondisi hujan ringan dengan baik. Sebaliknya, kategori “Hujan sedang – lebat” menunjukkan performa yang masih terbatas, dengan precision, recall,dan F1-Score sebesar 0,45, 0,20,dan 0,28, Evaluasi usability menggunakan System Usability Scale (SUS) dengan rata-rata skor SUS sebesar 83, dapat disimpulkan bahwa sistem ini memiliki tingkat usabilitas yang sangat baik dan dapat diterima dengan baik oleh pengguna. Secara keseluruhan, sistem yang dikembangkan mampu meningkatkan akurasi analisis curah hujan khususya untuk kategori “Berawan - Hujan ringan” dan mendukung pengambilan keputusan prakiraan cuaca di BMKG Kota Tarakan, dikarenakan kurangya data pendukung untuk curah hujan yang dikategorikan “Hujan Sedang - lebat” menjadi pengaruh saat proses preprosessing. Meskipun menggunakan metode SMOTE tidak sepenuhnya menghilangkan tantangan prediksi pada kelas hujan lebat.
ThesisOpen AccessMetadata saja
2025•
Stasiun Meteorologi BMKG Kota Tarakan menghadapi tantangan dalam perekapan dan analisis data radiosonde yang masih dilakukan secara manual, menyebabkan inefisiensi dan potensi kesalahan. Penelitian ini bertujuan mengembangkan sistem perekapan otomatis dan analisis data radiosonde (RASON) menggunakan metode random forest untuk meningkatkan efisiensi dan akurasi pengolahan data. Sistem terdiri dari modul impor data, analisis dengan random forest, visualisasi data, dan antarmuka pengguna berbasis GUI. Hasil penelitian menunjukkan bahwa sistem ini mampu meningkatkan efisiensi perekapan data hingga 99%, dengan waktu perekapan otomatis hanya 8 detik untuk 20 baris data, dibandingkan 10 menit 24 detik pada metode manual. Akurasi klasifikasi menggunakan random forest mencapai 100% untuk indeks stabilitas atmosfer (KI, LI, SI, TT) dan 99,93% untuk CAPE, dengan nilai Precision, Recall, dan F1-Score yang tinggi, seperti 1,0000 untuk KI dan TT, serta 0,9938 untuk LI dan 0,9965 untuk CAPE. Klasifikasi keseluruhan (AllData_Class) mencapai Precision 0,9030, Recall 0,9877, dan F1-Score 0,9369. Evaluasi usabilitas dengan skor SUS rata-rata 90 menunjukkan bahwa sistem mudah digunakan dan diterima dengan baik oleh pengguna. Sistem ini diharapkan dapat meningkatkan efisiensi kerja BMKG Kota Tarakan, mendukung pengambilan keputusan terkait kondisi cuaca, serta menjadi solusi modern dalam analisis data meteorologi. Pengembangan lebih lanjut dapat dilakukan dengan integrasi sistem prediksi cuaca ekstrem dan klasifikasi curah hujan untuk memperluas manfaatnya.
