http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 503
Prediksi Kebangkrutan Menggunakan Artificial Neural Network
Prana Yoga, Raden Bagus Dimas Putra, Eko Setia Budi
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri, Jakarta, Indonesia Jl. Damai No.8 Pasar Minggu, Jakarta, Indonesia
Email: prana.pny@nusamandiri.ac.id 1), raden.rbd@nusamandiri.ac.id 2), eko.etb@nusamandiri.ac.id 3) Abstrak
Riset untuk prediksi kebangkrutan ini telah dilakukan secara intensif sejak tahun 1960-an (Altman, 1968). Prediksi kebangkrutan dapat diformulasikan sebagai sebuah model klasifikasi. Model-model klasifikasi ini melibatkan pendekatan metode statistik dan metode machine learning. metode yang terkenal handal adalah metode Artificial Neural Network (ANN).
Akan tetapi, dalam pengembangan model klasifikasi menggunakan metode ANN ini ada hal-halyang harus ditangani secara hati-hati. Sebagai model parametrik, performa ANN tergantung pada beberapa parameter. ANN Perceptron mampu menangani fitur data yang redudan karena bobot yang identik akan dipelajari selama proses pelatihan. Bobot pada fitur yang redudan akan ditekan sehingga menjadi sangat kecil. Proses pelatihan untuk pembentukan model membutuhkan waktu yang lama. Hal ini dikarenakan ANN Perceptron harus melakukan sejumlah Iterasi untuk melakukan pembaruan bobot agar melakukan prediksi relatif dengan benar pada semua data latih.
Kata Kunci: Artificial Neural Network, Kebangkrutan.
Abstract
Research for this bankruptcy prediction has been intensified since the 1960s (Altman, 1968). Bankruptcy prediction can be formulated as a classification model. This classification models approach involving statistical methods and machine learning methods. famous reliable method is a method of Artificial Neural Network (ANN). However, in the development of classification models using this ANN there are POINTS must be handled carefully. As the parametric model, ANN's performance depends on several parameters. Perceptron ANN able to handle data features are redundant because the weights are identical will be learned during the training process. Weight to the redundant features that will be pressed so that it becomes very small. The training process for the formation of a model takes a long time. This is because the Perceptron ANN must perform a number of iterations to perform the update in order to predict the relative weight properly on all training data Keywords: Artificial Neural Network, Bankruptcy
1. PENDAHULUAN
Krisis moneter dan perbankan yang dialami Indonesia pada pertengahan tahun 1997 telah menumbuhkan kesadaran tentang pentingnya stabilitas pasar keuangan dan kesehatan lembaga-lembaga keuangan yang membentuk sistem keuangan. Stabilitas pasar keuangan dan kesehatan lembaga-lembaga keuangan mampu meredam krisis merupakan interaksi dari beberapa risiko yang harus selalu dikelola dengan baik. Salah satu risiko yang harus dikelola dengan baik adalah kegagalan perusahaan di sektor riil untuk mengembalikan pinjaman yang dapat menyebabkan ketidakstabilan pasar keuangan yang mengakibatkan kesehatan lembaga keuangan terganggu dan pada akhirnya menyebabkan krisis. Kegagalan perusahaan dalam mengembalikan pinjaman dapat dikategorikan bahwa perusahaan mengalami corporate failure (Wilson dan Sharda, 1994).
Dalam lingkungan yang semakin turbulen, sistem dan sub-sistem organisasi menjadi makin terbuka dan tingkat persaingan semakin ketat dan tajam, bahkan semakin tidak menentu arah perubahannya. Secara eksplisit turbulensi dalam sistem keuangan dapat menciptakan berbagai ancaman yang dapat melemahkan daya saing perusahaan maupun perbankan. Kondisi ini semakin parah dengan kerapuhan sektor keuangan khususnya perbankan, seperti adanya kecenderungan keuntungan yang semakin menurun dan semakin meningkatnya risiko usaha yang dihadapi bank disebabkan banyak perusahaan yang mengalami kesulitan keuangan (financial distress) yang bahkan cenderung mengarah ke arah kebangkrutan, sehingga tidak dapat membayar kewajiban yang sudah jatuh tempo kepada bank.
Riset untuk prediksi kebangkrutan ini telah dilakukan secara intensif sejak tahun 1960-an (Altman, 1968).
Prediksi kebangkrutan dapat diformulasikan sebagai sebuah model klasifikasi. Model-model klasifikasi ini melibatkan pendekatan metode statistik dan metode machine learning. Model klasifikasi yang menggunakan pendekatan statistik meliputi Univariate Analysis (Beaver, 1966), Multivariate Discriminant Analisys (Altaian, 1968), Logistic Regression (Ohlson, 1980) dan Factor Analysis technique (West, 1985). Selain itu, model klasifikasi untuk memprediksi kebangkrutan juga banyak dibangun dengan menggunakan metode machine learning. Metode-metode tersebut antara lain: Artificial Neural Network [7-9], Support Vector Machines [10-12]
dan k-Nearest Neighbour [13-14].
Salah satu metode yang terkenal handal adalah metode Artificial Neural Network (ANN). Akan tetapi, dalam pengembangan model klasifikasi menggunakan metode ANN ini ada hal-halyang harus ditangani secara hati-hati. Sebagai model parametrik, performa ANN tergantung pada beberapa parameter. Parameter-parameter
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 504 yang penting dalam ANN adalah learning rate dan epoch. Pemilihan learning rate yang terlalu besar akan menyebabkan solusi yang dipilih berada di luar solution space yang optimal. Sebaliknya, jika terlalu kecil, makaakan mengakibatkan waktu latih yang terlalu lama. Demikian juga dengan pemilihan parameter epoch. Jika nilai epoch terlalu besar, maka akan dihasilkan model yang overfitting. Sebaliknya, jika terlalu kecil maka model yang dihasilkan adalah model yang underfittin.
Metode Artificial Neural Network Perceptrons digunakan untuk memprediksi apakah mengalami kebangkrutan atau tidak.
2. TEORITIS
2.1 Kebangkrutan (Financial Distress)
Financial distress sebagai tahap penurunan kondisi keuangan yang terjadi sebelum terjadinya kebangkrutan ataupun likuidasi (Luciana, 2006). Kondisi financial distress sebagai suatu kondisi dari perusahaan yang mengalami laba bersih (net profit) negatif selama beberapa tahun (Kahya dan Theodossiou, 1999). Kebangkrutan biasanya diartikan sebagai kegagalan perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan laba.
Kebangkrutan juga sering disebut likuidasi perusahaan atau penutupan perusahaan atau insolvabilitas.
Kebangkrutan sebagai kegagalan didefinisikan dalam beberapa arti, yaitu: kegagalan ekonomi dan kegagalan keuangan (Adnan dan Kurniasih, 2000).
2.2 Artificial Neural Network
Artificial Neural Network (ANN) merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem saraf manusia, di mana pemrosesan utama sistem saraf manusia ada di otak, Dalam otak manusia mengandung kurang lebih 1011 neuron dan sekitar 104 hubungan perneuron. Sebuah neuron mengandung soma (badan sel), axon (pengirim sinyal), dan dendrite (penerima sinyal). Yang menghubungkan antara satu neuron dan neuron yang lain adalah synapse (sinapsis). Dendrite berfungsi sebagai penerima sinyal dari neuron dari neuron lain melalui sinapsis. Sedangkan axon berfungsi meneruskan sinyal ke ujung serat yang berhubungan dengan sinapsis (Santoso, 2007).
Gambar 1. Gambar Struktur Neuron Pada Otak Manusia
Neural network (NN) terinspirasi dari jaringan saraf makhluk hidup (Santoso, 2007), kelebihan utama neural network adalah kemampuan memprediksi, kecepatan dan robust terhadap missing data. Neuron adalah unit pemroses informasi dalam neural network yang terdiri atas:
1. Set synapsis atau link penghubung yang ditandai dengan adanya bobot.
2. Penambah, untuk menjumlahkan signal masukan yang diberi bobot yang disebut kombinasi linier.
3. Fungsi aktivasi, untuk membatasi besarnya keluaran dari suatu neuron
Gambar 2. Desain ANN Secara Umum
Proses pada ANN dimulai dari input yang diterima oleh neuron beserta dengan nilai bobot dari tiap-tiap input yang ada. Setelah masuk ke dalam neuron, nilai input yang ada akan dijumlahkan oleh suatu fungsi
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 505 perambatan (summing function), yang bisa dilihat seperti pada di gambar dengan lambang sigma (∑). Hasil penjumlahan akan diproses oleh fungsi aktivasi setiap neuron, disini akan dibandingkan hasil penjumlahan dengan threshold (nilai ambang) tertentu. Jika nilai melebihi threshold, maka aktivasi neuron akan dibatalkan, sebaliknya, jika masih dibawah nilai threshold, neuron akan diaktifkan. Setelah aktif, neuron akan mengirimkan nilai output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Proses ini akan terus berulang pada input-input selanjutnya.
2.3 Fungsi Aktivasi
Setiap neuron mempunyai keadaan internal yang disebut level aktivasi atau level aktivitas yang merupakan fungsi input yang diterima. Secara tipikal suatu neuron mengirimkan aktivitasnya kebeberapa neuron lain sebagai sinyal, neuron hanya dapat mengirimkan satu sinyal sesaat, walaupun sinyal tersebut dapat dipancarkan ke beberapa neuron yang lain. Ada beberapa pilihan fungsi aktivasi yang digunakan dalam perceptrons, seperti fungsi sigmoid linear, fungsi aktivasi step, fungsi aktivasi sigmoid biner, dan fungsi aktivasi sigmoid bipolar. Karakteristik yang harus dimiliki fungsi fungsi aktivasi tersebut adalah kontinue, diferensiabel, dan tidak menurun secara monoton.
Fungsi aktivasi diharapkan dapat mendekati nilai-nilai maksimum dan minimum secara baik (Puspaningrum, 2006).
1. Fungsi Aktivasi Linear
Formula : y=sign(v)=v
Gambar 3. Fungsi Aktivasi Linear 2. Fungsi Aktivasi Step
Gambar 4. Fungsi Aktivasi Step 3. Fungsi Aktivasi Sigmoid Biner
Gambar 5. Fungsi Aktivasi Sigmoid Biner 4. Fungsi Aktivasi Sigmoid Bipolar
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 506 Gambar 6. Fungsi Aktivasi Sigmoid Bipolar
2.4 Konsep ANN Perceptron
ANN Perceptron merupakan salah satu jenis ANN dengan layer tunggal. Pertama kali diperkenalkan oleh Frank Rosenblatt yang berisi algoritma pelatihan yang digunakan untuk membangun model ANN (Santoso, 2007).
Perceptron dilatih dengan menggunakan sekumpulan pola yang diberikan kepadanya secara berulang ulang selama latihan. Setiap pola yang diberikan merupakan pasangan pola masukan dan pola yang diinginkan sebagai target. Perceptron melakukan penjumlahan terhadap tiap-tiap masukannya dan menggunakan fungsi ambang untuk menghitung keluarannya. Keluaran ini kemudian dibandingkan dengan hasil yang diinginkan, perbedaan yang dihasilkan dari perbandingan ini digunakan untuk merubah bobot-bobot dalam jaringan. Demikian berulang ulang sampai dhasilkan keluaran yang sesuai dengan hasil yang dinginkan.
2.5 Algoritma Perceptron
Algoritma perceptron melakukan klasifikasi linier dengan memaksimalkan margin antara dua kelas data. Dalam model ini, setiap data direpresentasikan sebagai (x,y), dimana x1,...,xn ∈ X adalah vektor fitur yang merepresentasikan data-data perusahaan dan y1,...,yn ϵ{+1,-1} adalah label dari masing-masing data (perusahaan yang berpotensi bangkrut atau tidak). Pada saat proses latih, model dilatih untuk mendefinisikan beberapa perceptron terbobot. Beberapa perceptron terbobot itu didefinisikan berdasarkan beberapa vektor prediktor v1, ..., vk.
Setiap vektor prediktor memiliki dimensi yang sama dengan vektor fitur. Di awal proses latih, dilakukan inisialisasi sebuah vektor prediktor v1=0. Selanjutnya vektor tersebut di gunakan dalam sebuah perceptron untuk memprediksi label data perusahan, dengan persamaan 1 (Schapire, 1999) .
Jika nilai y sama dengan label data x1 maka perhitungan perceptron untuk sample berikutnya tetap memanfaatkan vektor prediktor v1. Selain itu, bobot v1 (c1) ditingkatkan berdasarkan banyaknya jumlah iterasi saat v1 selalu benar dalam memprediksi label sample berikutnya. Tetapi, jika hasil persamaan (1) berbeda dengan label data xn, maka didefinisikan vektor prediktor baru dengan persamaan (2) (Schapire, 1999) .
Dalam proses training ini, algoritma terus diiterasi menggunakan semua sample, sampai didapatkan vektor prediktor yang selalu benar dalam memprediksi label data kebangkrutan perusahaan. Vektor prediktor beserta bobotnya yang dihasilkan dalam proses training ini disimpan untuk digunakan dalam proses prediksi atau klasifikasi. Dalam proses prediksi, sebuah data perusahaan x akan diberi label positif (berpotensi untuk bangkrut) atau negatif (perusahaan yang sehat) berdasarkan voting perceptron. Proses voting perceptron memanfaatkan vektor prediktor dan bobotnya (v1,c1), ..., (vk,ck) yang tersimpan dari proses latih. Dimana ci adalah jumlah voting yang dimiliki oleh setiap vektor prediktor dan nilai k adalah banyaknya vektor prediktor yang dihasilkan pada saat latih. Perhitungan prediksinya seperti yang didefinisikan oleh persamaan (3)
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 507 Arsitektur perceptron terdiri dari beberapa unit masukan ( ditambah sebuah bias ), dan memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi merupakan fungsi biner ( atau bipolar ), tetapi memiliki kemungkinan nilai -1, 0 atau 1.
Gambar 7. Arsitektur Jaringan Perceptron Untuk suatu harga threshold θ yang ditentukan :
Secara geometris fungsi aktivasi membentuk 2 garis sekaligus, masing – masing dengan persamaan :
Neural Network memperoleh nilai bobot dari suatu algoritma pembelajaran tertentu. Bobot ini digunakan dalam melakukan transformasi nilai dari node input ke node output. Algoritma pembelajaran merupakan tahap penyesuaian terhadap bobot yang telah terbentuk secara random. Pembaharuan nilai bobot secara umum dirumuskan sebagai berikut:
Pengujian pada proses ini adalah pengujian terhadap kinerja ANN. Jika memungkinkan data yang digunakan adalah data nyata, di mana jaringan belum pernah menganalisis dan tidak pernah muncul pada input. Ada beberapa macam cara pengujian kinerja ANN, berikut ini adalah dua di antaranya:
1. RMSE (root mean square error)
Kinerja ANN didasarkan atas nilai RMSE (root mean square error) pada proses generalisasi terhadap contoh data validasi. Semakin kecil nilai RMSE semakin baik kinerja dari ANN. Persamaan RMSE adalah
RMSE = Di mana:
yi = nilai prediksi ANN ti = nilai aktual yang diberikan n = jumlah contoh pada pengujian 2. Validasi
Validasi dilakukan sebagai pengujian kinerja atau ketepatan prediksi ANN terhadap contoh yang diberikan selama proses pembelajaran. Proses ini dilakukan dengan memberikan sampel data yang lain dari proses pembelajaran, dan melihat kemampuan ANN memberikan jawaban yang benar. Validasi model dirumuskan dengan persamaan:
Validasi (%) = x100%
Di mana:
A = Jumlah data hasil pendugaan yang sama dengan target B = Jumlah data target
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 508 2.6 Kajian Studi
Studi-studi awal prediksi mengenai financial distress fokus pada perbandingan nilai-nilai rasio keuangan pada perusahaan yang sehat dan yang tidak sehat dan menyimpulkan bahwa rasio keuangan pada perusahaan yang tidak sehat lebih buruk dibandingkan rasio keuangan pada perusahaan yang sehat seperti pada tabel 1.
Tabel 1. Hasil Penelitian Sebelumnya
3. ANALISA DAN PEMBAHASAN
Adapun tahapan algoritma perceptron sebagai berikut:
1. Inisialisasi bobot awal dengan setiap bobot berkorelasi dengan sebuah fitur.
2. Setiap data dalam data latih dilakukan perhitungan nilai V, dimana : V = X1.W1 + X2.W2 + ….. + Xn.Wn.
3. Nilai V dimasukan kedalam fungsi aktivasi untuk menghasilkan y’ sebagai nilai keluaran.
4. Bandingkan nilai y’ dengan nilai kelas yang seharusnya y, dengan menghitung error = y – y’.
5. Jika target error yang diinginkan belum tercapai, maka dilakukan perubahan pada bobot Perubahan bobot dilakukan dengan mengganti bobot sebelumnya dengan formula W(K) + n.error.X.
6. Proses pelatihan dihentikan saat tidak adanya error pada nilai keluaran dari semua vektor masukan. Error = 0.
Analisis data menggunakan algoritma perceptron untuk membangun model yang dapat melakukan prediksi pada vektor masukan untuk dipetakan sesuai dengan data catatan kebangkrutan keuangan seseorang. Dataset yang diambil merupakan dataset catatan keuangan seseorang dimana fitur yang dambil hanya dua buah fitur numerik yaitu total harta yang dimiliki dan total hutang yang dimiliki dengan label bangkrut atau tidak bangkrut.
Catatan keuangan dalam miliaran rupiah , untuk catatan keuangan pertama memiliki total harta senilai 1.2 dan memiliki total hutang 0.3, catatan keuangan kedua memiliki total harta senilai 0.8 dan memiliki total hutang 0.6, catatan keuangan ketiga memiliki total harta senilai 1.1 dan memiliki total hutang 1, catatan keuangan keempat memiliki total harta senilai 0.4 dan memiliki total hutang 1, catatan keuangan kelima memiliki total harta senilai 0.5 dan memiliki total hutang 1.5, dari kelima catatan keuangan tersebut bisa diolah datanya sebagai data latih sehingga menghasilkan status bangkrut atau tidak bangkrut, seperti pada tabel 1.
Tabel 2. Dataset Catatan Keuangan
Sumber : Santoso (2007)
Untuk mengetahui bangkrut atau tidak bangkrut dilakukan terlebih dahulu inisialisasi untuk bobot ke 1(W1) dan bobot kedua (W2) yang berkorelasi dengan Fitur kesatu (X1) dan Fitur kedua(X2). Didapatkan W1=-1.8 dan bobot W2=2.9.
Setelah melakukan inisialisasi untuk W1 dan W2.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 509 Selanjutnya setiap data dalam data latih dilakukan perhitungan nilai V=X1.W1+X2.W2, sehingga didapat bahwa nilai V=(1.2*-1.8)+(0.3*2.9) = -1.2900. nilai V(-1.2900) dimasukkan kedalam fungsi aktivasi step untuk menghasilkan nilai Y’, dimana Y’=0 karena nilai V<0. Nilai Y’ tersebut kemudian dibandingkan dengan nilai seharusnya Y dengan menghitung nilai error=Y-Y’=1-0=1.
Jika target error yang diinginkan belum tercapai , maka dilakukan perubahan pada bobot. Perubahan bobot dilakukan dengan mengganti bobot sebelumnya dengan formula W(K) + n.error.X. || -1.8 + (0.9*1*1.2) = -0.72.
Proses pelatihan dihentikan saat tidak adanya error pada nilai keluaran dari semua vektor masukan. error
= 0
Tabel 3. Hasil Ujicoba Data Latih
Setelah mendapatkan bobot nilai yang stabil dengan nilai error=0, maka dilakukan pengujian dengan data uji total harta = 0.7 dan total hutang=0.6 sehingga dapat dihitung prediksinya menggunakan bobot yang terakhir didapat, sebagai berikut: V = X1*W1 + X2.W2 = 0.7*0.54 + 0.6*(-0.2500) = 0.2280. Kemudiaan lakukan proses menggunakan fungsi aktivasi step ambang batas biner.
4. KESIMPULAN
Hasil dari penelitian dapat disimpulkan:
1. ANN Perceptron mampu menangani fitur data yang redudan karena bobot yang identik akan dipelajari selama proses pelatihan. Bobot pada fitur yang redudan akan ditekan sehingga menjadi sangat kecil.
2. Proses pelatihan untuk pembentukan model membutuhkan waktu yang lama. Hal ini dikarenakan ANN Perceptron harus melakukan sejumlah Iterasi untuk melakukan pembaruan bobot agar melakukan prediksi relatif dengan benar pada semua data latih.
3. Jika semua vektor masukan sudah berhasil dipetakan dengan benar, maka Iterasi pelatihan dihentikan tanpa memedulikan margin batas keputusan diantara dua kelas.
REFERENCES
Adnan, M. A dan M. Taufik. (2001). Analisis ketepatan prediksi metode Altman terhadap terjadinya likuidasi pada lembaga perbankan. Jurnal Ekonomi dan Auditing Vol 5, No. 2, Desember. Yogyakarta: Fakultas Ekonomi Universitas Islam Indonesia. Yogyakarta
A.Y.N. Yip. (2004). Predicting business failure with a case-based reasoning approach. Proceedings of 8th International Conference on Knowledge-Based Intelligent Information and Engineering Systems: KES, Wellington, New Zealand. September 3215/2004, Part III, , pp. 20–25
C.F. Tsai. (2008). Financial decision support using neural networks and support vector machines. Expert Systems 25 (4): 380–393.
E.I. Altaian. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance 23, 4: 589–609.
E.I. Altman. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance 23: 89–609.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 510
G. Zhang. (1999). Artificial neural networks in bankruptcy prediction: general framework and cross-validation analysis. European Journal of Operational Research 116 (1): 16–32.
J.A. Ohlson. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research 109–131.
J.H. Min, Y.C. Lee. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications 28 (4): 603–614.
Kahya E. dan P. Theodossiou. (1999). Predicting corporate financial distress: A Time-Series CUSUM Methodology. Review of Quantitative Finance and Accounting, 13,4; ABI/INFORM Global pg.323.
K.S. Shin, T.S. Lee, H.J. Kim. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications 28 (1): 127–135.
L. Fengyi, Y. Ching-Chiang, L. Meng-Yuan. (2011) The use of hybrid manifold learning and support vector machines in the prediction of business failure. Knowledge-Based Systems 24 (1): 95–101.
Luciana, S. A. (2006). Prediksi kondisi financial distress perusahaan go public dengan menggunakan analisis multinomial logit, Jurnal Ekonomi dan Bisnis. Vol. XII No. 1, Maret 2006. ISSN: 0854 – 9087
P. Ravisankar, V. Ravi. (2010). Financial distress prediction in banks using Group Method of Data Handling neural network, counter propagation neural network and fuzzy ARTMAP. Knowledge-Based Systems 23 (8) : 823–831.
R.L. Wilson, R. Sharda. (1994). Bankruptcy prediction using neural networks. Decision Support Systems 11 545–557 R.C. West. (1985). A factor-analytic approach to bank condition. Journal of Banking & Finance 9 (2): 253–266.
Santoso, Budi. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu, Yogyakarta W.H. Beaver. (1966). Financial ratios as predictors of failure. Journal of Accounting Research 4:71–111.
Y. Freund and R. E. Schapire. (1999). Large margin classification using the perceptron algorithm. Machine Learning, 37:277-296
