MODEL PREDIKSI FINANCIAL DISTRESS PADA PERUSAHAAN MANUFAKTUR SEKTOR INDUSTRI BARANG DAN KONSUMSI

Authors

  • Herlina Herlina Universitas 17 Agustus 1945 Surabaya http://orcid.org/0000-0002-1977-4482
  • Ahmad Ridho’i Universitas 17 Agustus 1945 Surabaya
  • Anggie Erma Yunita Universitas 17 Agustus 1945 Surabaya
  • Mega Puja Azhari Universitas 17 Agustus 1945 Surabaya
  • Ade Reynaldi Saputra Universitas 17 Agustus 1945 Surabaya

DOI:

https://doi.org/10.51804/tesj.v3i2.490.77-82

Keywords:

financial distress, manufaktur, particle swarm optimization, support vector machines

Abstract

Kesulitan keuangan (financial distress) adalah sebuah tahapan yang akan dilalui oleh sebuah perusahaan sebelum mengalami kebangkrutan. Dengan alasan tersebut maka kemampuan untuk memprediksi kesulitan keuangan dapat menjadi informasi yang bermanfaat bagi perusahaan maupun investor. Penelitian mengenai financial distress sudah dimulai dari penelitian Altman pada tahun 1968 menggunakan metode Multiple Discriminant Analysis (MDA). Dimulai dari penelitian Altman, muncul penelitian-penelitian lainnya menggunakan pengembangan metode statistik, seperti Logistic Regression. Dari metode statistik kemudian berkembang dengan munculnya penelitian-penelitian menggunakan metode-metode kecerdasan buatan, serta algoritma evolusi untuk berusaha mendapatkan model prediksi financial distress yang akurat. Tujuan dari penelitian ini adalah untuk membandingkan tingkat akurasi dari model prediksi financial distress perusahaan manufaktur terbuka pada sektor industri barang konsumsi yang terdaftar pada Bursa Efek Indonesia menggunakan metode kecerdasan buatan serta algoritma evolusi. Metode yang digunakan untuk metode kecerdasan buatan adalah metode Support Vector Machines dan untuk model algoritma evolusi menggunakan metode Particle Swarm Optimization-Support Vector Machines. Tingkat akurasi dari masing-masing metode akan diukur dari prosentase misklasifikasi terkecil yang dihasilkan. Dari pengujian model menggunakan metode Support Vector Machines, didapatkan tingkat misklasifikasi terkecil sebesar 11,11% dengan menggunakan Kernel Linear dan untuk metode Particle Swarm Optimization-Support Vector Machines, didapatkan tingkat misklasifikasi terkecil sebesar 5,56% dengan menggunakan Kernel RBF, ? = 2.

Author Biographies

Herlina Herlina, Universitas 17 Agustus 1945 Surabaya

Teknik Industri, Fakultas Teknik

Ahmad Ridho’i, Universitas 17 Agustus 1945 Surabaya

Teknik Elektro, Fakultas Teknik

Anggie Erma Yunita, Universitas 17 Agustus 1945 Surabaya

Teknik Industri, Fakultas Teknik

Mega Puja Azhari, Universitas 17 Agustus 1945 Surabaya

Teknik Industri, Fakultas Teknik

Ade Reynaldi Saputra, Universitas 17 Agustus 1945 Surabaya

Teknik Elektro, Fakultas Teknik

References

Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609.

Chen, B.-T., & Chen, M.-Y. (2010). Applying particles swarm optimization for support vector machines on predicting company financial crisis. International Conference on Business and Economics Research, 1. Kuala Lumpur, Malaysia.

Ding, Y., Song, X., & Zen, Y. (2008). Forecasting financial condition of Chinese listed companies based on support vector machine. Expert Systems with Applications, 34(4), 3081–3089.

Martin, D. (1977). Early warning of bank failure: A logit regression approach. Journal of Banking & Finance, 1(3), 249–276.

Min, J. H., & Lee, Y.-C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications, 28(4), 603–614.

Nisa, U. Z., Santosa, B., & Wiratno, S. E. (2013). Model Prediksi Finansial Distress Pada Perusahaan Manufaktur Go Public di Indonesia. Prosiding Seminar Nasional Manajemen Teknologi XVIII, 1–8.

Ross, S. A., Westerfield, R., & Jordan, B. D. (2008). Fundamentals of corporate finance. New York: Tata McGraw-Hill Education.

Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Santosa, B., & Willy, P. (2011). Metoda Metaheuristik konsep dan implementasi. Surabaya: Guna Widya.

Setyowati, W. (2009). Strategi Manajemen sebagai Faktor Mitigasi Terhadap Penerimaan Opini Going Concern Studi Empirik pada Perusahaan Manufaktur di Indonesia. Universitas Diponegoro.

Shin, K.-S., Lee, T. S., & Kim, H. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(1), 127–135.

Downloads

Published

2019-12-31