Penanganan Missing Value Dan Ketidakseimbangan Kelas Pada Prediksi Financial Distress Menggunakan Pendekatan Random Rift

Favian Rajendra Ananta Putra, Dr. Agus Sihabuddin, S.Si., M.Kom.

2026 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Financial distress merupakan isu fundamental dalam manajemen risiko korporasi, esensial untuk mengidentifikasi kondisi kesulitan keuangan yang berpotensi mengarah pada kebangkrutan. Dalam era disrupsi digital dan dinamika pasar yang bergejolak, volatilitas ekonomi semakin tinggi, menjadikan kemampuan ini sebagai prioritas utama. Metode prediksi konvensional seperti Altman Z-score dan analisis rasio keuangan, meskipun telah lama digunakan, seringkali memiliki keterbatasan dalam menangani kompleksitas dan non-li`nearitas data keuangan yang terus berkembang, sehingga menghasilkan akurasi prediksi yang kurang optimal dan berpotensi merugikan berbagai pemangku kepentingan.  Pengembangan teknologi Artificial intelligence (AI) dan Machine learning (ML) menawarkan peluang baru untuk mengatasi keterbatasan ini, khususnya melalui pendekatan supervised learning. Algoritma ensemble methods seperti Random Forest memiliki kapabilitas superior dalam memproses data bervolume besar serta mengidentifikasi pola kompleks yang terlewatkan oleh metode tradisional. Meskipun demikian, implementasi model supervised learning dalam prediksi keuangan masih menghadapi tantangan di berbagai konteks ekonomi dan industri, termasuk isu penanganan data hilang serta perlunya metode yang lebih robust dan adaptif terhadap karakteristik data keuangan yang spesifik.  Penelitian ini bertujuan mengembangkan dan memvalidasi Random Rift , yang dirancang untuk meningkatkan akurasi prediksi financial distress perusahaan dengan mengintegrasikan imputasi data hilang, pembangunan pohon klasifikasi, dan konsep soft voting. Kami akan mengimplementasikan Random Rift menggunakan data rasio keuangan dari 120 perusahaan non-keuangan di Bursa Efek Indonesia (BEI) selama periode 2013 hingga 2022. Akurasi model akan dievaluasi menggunakan metrik AUC, kemudian akan dibandingkan dengan Random Forest konvensional. Pendekatan ini diharapkan menghasilkan model prediksi yang lebih robust dan informatif, berkontribusi signifikan pada manajemen risiko keuangan modern, dan mengatasi keterbatasan metode tradisional.  

Corporate financial distress prediction faces the challenges of macroeconomic volatility and high data opacity (incomplete data). Although machine learning algorithms such as Random Forest (RF) and boosting ensembles are capable of capturing non-linear patterns, their capabilities are hampered by structural limitations in processing incomplete datasets. Standard model implementations generally require single-imputation static preprocessing, which is prone to synthetic bias and fails to capture important information signals behind missing data (Missing Not At Random / MNAR).  To address these limitations, this study proposes Random Rift, a novel ensemble framework that disrupts traditional data processing paradigms. This framework structurally integrates stochastic rifting strategies (a mechanism for simulating controlled data omissions) and multi-armed bandit imputation techniques directly into the bagging process. This approach transforms data incompleteness into a catalyst for increasing decision tree diversity and reducing model variance, while protecting key predictive features through the SHAP Shield mechanism.  Empirical evaluation was conducted using a comprehensive dataset of non-financial companies listed on the Indonesia Stock Exchange (IDX) for the period 2013–2022. The results showed that Random Rift achieved an Average Precision (PR-AUC) of 0.9459 on the test data. This achievement significantly outperformed the conventional Altman Z-score model (0.4880) and the standard Random Forest (0.9068). Furthermore, Explainable AI (SHAP) analysis revealed critical non-linear threshold effects on operational profitability ratios. These findings confirm that integrating multifaceted imputation into an ensemble architecture can produce a robust, transparent, and reliable institutional-grade Early warning system (EWS) for mitigating credit risk in volatile economic environments  

Kata Kunci : Financial distress, Random Forest, Random Rift, Artificial intelligence.