Prediksi kondisi financial distress suatu perusahaan merupakan topik yang relevan bagi para peneliti maupun professional selama bertahun-tahun dalam rangka tindakan preventif serta mitigasi risiko kegagalan sebuah perusahaan. Di sisi lain, penelitian-penelitian terdahulu menemukan bahwa determinan financial distress perusahaan memiliki keterkaitan dengan sifat kontekstual serta menghasilkan tingkat akurasi yang lebih rendah pada karakteristik negara yang berbeda dengan negara tempat dibentuknya model penelitian tersebut. Metode-metode baru yang menggunakan kemampuan machine learning juga telah diimplementasikan dan menghasilkan tingkat akurasi yang jauh lebih baik dibandingkan dengan hasil pembentukkan model dengan metode statistik konvensional. Penelitian ini mengaplikasikan metode machine learning: Support Vector Machine (SVM) dalam memprediksi financial distress pada perusahaan-perusahaan non keuangan di Indonesia dengan menggunakan 27 financial ratios terhadap 420 sampel dalam kurun waktu 10 tahun. Penelitian ini menemukan bahwa metode SVM memberikan kemampuan prediktabilitas yang lebih tinggi yakni sebesar 89.28%, lebih besar daripada model Altman (1968) maupun Ohlson (1980), serta logistic regression pada sampel pengujian yang sama.

---

Predicting a financial distress of a company has been a significant topic for over a decade among researchers and professionals for preventive measure against bankruptcy. Past studies have found that financial distress determinants can be very contextual and has proven to produce lower accuracy rate in far different country characteristic than in the original place these models developed. In Indonesia, conventional financial distress formula has proven to give a low accuracy result. In the other hand, new methods utilizing machine learning also has been introduced in financial distress cases in other countries and has proven to produce a better accuracy compared to the traditional-statistical model. This study applies machine learning: Support Vector Machine (SVM) in predicting financial distress cases. Using 27 financial ratios in 420 company’s financial distress cases in Indonesia in 10 years period, the SVM models produce 89.28% accuracy rate, better than logistic regression, Altman z-score formula (1968), and Ohlson model (1980) applied to the same sample. These results indicate that machine learning method can be applied to early financial distress detection for decision making and risk mitigation.