Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tantangan dan persaingan di dunia investasi telah lama menjadi fokus besar untuk dipelajari karena keterkaitannya dengan profitabilitas. Penelitian menunjukkan bahwa penghasilan negatif substantif dari profitabilitas perusahaan sangat terkait dengan kondisi kesulitan keuangan perusahaan, suatu kondisi di mana perusahaan mengalami kesulitan dalam memenuhi kewajiban keuangannya. Penelitian sebelumnya mengembangkan model prediksi kesulitan keuangan dengan menggunakan metode statistik konvensional yang memiliki beberapa kerugian karena ketergantungannya pada beberapa asumsi restriktif. Penelitian ini menggunakan metode data mining karena keunggulannya dengan asumsi yang tidak terlalu ketat untuk memprediksi kesulitan keuangan, dilengkapi dengan variabel keuangan dan non-keuangan. Berfokus pada perusahaan-perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) selama periode 5 tahun, decision tree C4.5 dan random forest dikembangkan dan dievaluasi. Model decision tree C4.5 menunjukkan model prediksi dengan kinerja terbaik, dengan tingkat kesalahan terkecil, akurasi dan recall, dengan akurasi dan recall keseluruhan masing-masing adalah 96,14%, dan 98,06%. Hasil penelitian ini juga memiliki beberapa luaran seperti ROA yang menjadi variabel yang paling penting untuk menentukan perusahaan yang mengalami kesulitan keuangan.

---

The challenges and competition in the investment world recently became a great focus to be studied as it is greatly linked to profitability. It has been agreed that substantive negative earning of profitability of firms greatly linked to financial distress, a condition which a firm has difficulty fulfilling its financial obligations. Previous research developed financial distress prediction model using conventional statistical methods that suffer from disadvantages as it depends largely on some restrictive assumptions. This research used data mining methods as its superiority with less restrictive assumptions to predict financial distress, with both financial and non-financial variables examined. Focused in listed firms in Indonesia Stock Exchange (IDX) for 5 years period, C4.5 decision tree and random forest are developed and evaluated. The C4.5 decision tree model demonstrated the best performing prediction model, with the smallest error rates, highest accuracy and recall, with overall accuracy and recall are 96.14%, and 98.06% respectively. The result of this research also offer several inferences such as return on asset being the most significant or important predictive variable to determine financially distressed firms"

"ABSTRACTFinancial distress merupakan kondisi kesulitan keuangan yang pada umumnya dialami oleh perusahaan sebelum perusahaan tersebut dapat dinyatakan bangkrut. Dengan menggunakan laporan keuangan, kondisi tersebut pada dasarnya dapat diprediksi. Prediksi dari financial distress sangat berguna bagi manajemen perusahaan untuk melakukan tindakan korektif dalam antisipasinya menghadapi kebangkrutan. Model prediksi dari financial distress sendiri telah berkembang dari penggunaan statistik tradisional hingga artificial intelligence atau machine learning. Penelitian ini bertujuan untuk menganalisis model prediksi financial distress dengan menerapkan machine learning dan membandingkan tiga algoritma dari data mining yaitu decision tree, support vector machine, dan artificial neural network. Sampel dalam penelitian ini menggunakan 115 perusahaan distressed dan 115 perusahaan non-distressed yang aktif di Bursa Efek Indonesia selama periode 2011 hingga 2016 yang diteliti untuk dua tahun yaitu l-t dan t-1. Dalam penelitian ini, dari sebanyak 29 rasio keuangan akan dipilih rasio yang paling sesuai dengan menggunakan feature selection. Hasil dari penelitian menunjukkan bahwa algoritma decision tree dengan tingkat akurasi sebesar 86,37 untuk tahun l-t dan decision tree dengan tingkat akurasi sebesar 88,98 untuk tahun l t-1 memiliki tingkat akurasi yang paling tinggi dalam mengantisipasi financial distress di Indonesia.

---

ABSTRACTFinancial distress is a condition of financial difficulties that generally a firm would have first go through before the company can be declared bankrupt. By using financial statements, this condition basically could be predicted. Prediction of financial distress is very useful as it could help firms rsquo management to take corrective actions in anticipation of bankruptcy. The predictive model of financial distress itself has evolved from the use of traditional statistics to artificial intelligence or machine learning. This study aims to analyze financial distress prediction model by applying machine learning and comparing three algorithms from data mining namely decision tree, support vector machine, and artificial neural network. The sample in this study used 115 distressed companies and 115 non distressed companies active on the Indonesia Stock Exchange during the period 2011 to 2016 studied for two years ie t and t-1 . In this research, from 29 financial ratios will be selected the most appropriate ratios by using feature selection. The result of this research shows that decision tree algorithm with 86.37 accuracy for year t and decision tree with accuracy of 88.98 for year t-1 has the highest accuracy in anticipating financial distress in Indonesia. "

"Pertumbuhan pasar modal dan ekonomi di Indonesia telah menarik banyak pihak untuk berinvestasi dan mengembangkan pasar. Peningkatan investasi memberikan peluang bagi perusahaan dan investor untuk meningkatkan keuntungan. Dengan persaingan yang semakin ketat serta kondisi pasar yang berubah-ubah, strategi investasi menjadi hal yang sangat penting. Prediksi performa perusahaan terutama di Indonesia menjadi hal yang dibutuhkan untuk mengimbangi perkembangan pasar. Metode Artificial Neural Network merupakan metode yang mulai populer dipakai untuk peramalan yang bersifat kompleks, menggunakan banyak variabel, dan bersifat nonlinear. Oleh karena itu metode ini sangat cocok untuk diterapkan dalam prediksi performa perusahaan di bursa saham yang termasuk kedalam bidang finansial. Dalam penelitian ini neural network juga dipakai untuk mengintegrasikan analisis teknikal dan analisis fundamental dari perusahaan. Hasil penelitian ini memperlihatkan bahwa neural network mampu melewati tingkat minimal pengembalian secara signifikan

---

As the economy and financial market keep growing in Indonesia, The interest to invest and develop the market are increasing. The increasing investment provide opportunity for company and investor to get more profit. With the ever competitive market and always changing market, Strategy to utilize investment become important. The ability to forecast company performance in financial sector become needs to counterbalance the ever-growing market. The Artificial Neural Network is one of the method that get more popular lately to be use as a forecasting method that require more complex model, using more variabel, and tend to be nonlinear. Hence the method really suit to be adapted in financial sector especially in stock market. In addition this study also discuss about integrating technical analysis and fundamental analysis. This study shows that neural network as a predictive model could significantly outperform the minimum return."

"Penelitian ini menguji pengaruh manajemen laba (EM), strategi cost leadership (BSCL) dan diferensiasi (BSD), siklus hidup perusahaan dengan proksi laba ditahap terhadap total aset (FMA) dan terhadap total ekuitas (FME) pada kesulitan keuangan (FD) dengan menjadikan BUMN sebagai variabel moderasi. Model penelitian yang dipilih adalah fixed effect model. Hasil penelitian menunjukan bahwa EM, BSCL, dan FMA berpengaruh pada FD. Untuk BSCL dan FME tidak ditemukan adanya pengaruh terhadap FD. Uji regresi dengan variabel moderasi dummy memiliki pada EM dan BSCL terhadap FD dan tidak memiliki pengaruh terhadap pada BSD dan FME. Sedangkan FMA tidak memiliki dampak negatif terhadap FD untuk perusahaan BUMN

---

This research analyzes the effect of earnings management (EM), business strategy cost leadership (BSCL) and differentiation (BSD), and firm’s life cycle with two proxy (FMA) and (FME) on financial distress by using state-owned enterprises as a moderating variable. Fixed effect model is used on this research. The results showed that EM, BSCL, and FMA have an effect on FD. However. BSCL and FME have no effect on FD. The regression result by including the dummy variable of BUMN show that have an effect on EM and BSCL. While, BUMN moderating variable has no effect on BSD and FME to FD. On the other hand, FMA has a negative impact on financial distress for BUMN companies."

"Penelitian ini bertujuan untuk menganalisis pengaruh pengendalian internal dan analisis rasio keuangan dalam pendeteksian manajemen laba pada laporan keuangan untuk perusahaan yang terdaftar di Bursa Efek Indonesia. Penelitian ini merupakan penelitian kuantitatif dengan model regresi data panel. Perhitungan manajemen laba menggunakan metode Kothari et al., 2005 . Pengujian hipotesis dilakukan terhadap 628 perusahaan sampel periode 2015-2016. Hasil dari penelitian dapat disimpulkan bahwa pengendalian internal yang efektif dapat mengurangi kecenderungan perusahaan melakukan manajemen laba dan rasio keuangan secara signifikan dapat melihat apakah perusahaan mempunyai indikasi melakukan penyimpangan.

---

This study aimed to analyze the role of internal control and financial ratio analysis on detecting earning management in financial statement for companies listed on the Indonesia Stock Exchange. This study is quantitative with panel data regression model. The calculation of earning management using method of Kothari et al., 2005 . Hypothesis testing was conducted on 628 sample companies during period 2015 2016. The result of this study concludes that effective internal control could reduce the tendency of the company has an indication of earning management and financial ratio could significantly perceive whether the company has an indication of irregularities."

"ABSTRAKKrisis keuangan global yang terjadi pada tahun 2008 menimbulkan dampak yang luas pada perekonomian di Indonesia. Dampak tersebut berpengaruh pada perusahaan-perusahaan publik yang dapat menyebabkan perusahaan mengalami kondisi financial distress sehingga menimbulkan ancaman kebangkrutan. Penelitian ini bertujuan untuk menganalisis pengaruh rasio keuangan terhadap prediksi kondisi financial distress dengan menggunakan model regresi logistik. Sampel yang digunakan adalah perusahaan-perusahaan sektor non-keuangan yang terdaftar di BEI periode 2008-2017. Penelitian ini menggunakan 235 sampel dan hasil penelitian menunjukkan bahwa rasio Cash Flow Margin dan Debt to Equity Ratio memberikan pengaruh positif dalam memprediksikan kondisi financial distress perusahaan, sedangkan rasio Return on Asset dan Cash to Current Liabilities memberikan pengaruh negatif dalam memprediksikan kondisi financial distress perusahaan. Terdapat 2 rasio keuangan yang memiliki pengaruh signifikan, yaitu Cash Flow Margin dan Cash to Current Liabilities, sedangkan 2 rasio lainnya yaitu Return on Asset dan Debt to Equity Ratio tidak memiliki pengaruh signifikan dalam memprediksikan kondisi financial distress perusahaan."

"Dalam melaksanakan tugasnya sebagai penyelenggara pendidikan akademik, profesi, spesialis dan vokasi dalam sejumlah disiplin ilmu pengetahuan, teknologi, budaya, dan seni, Universitas Indonesia melakukan berbagai proses dan kegiatan akademik yang membutuhkan pengambilan keputusan. Saat ini proses analisa hanya dapat dilakukan berdasarkan data yang telah ada pada kurun waktu tertentu. Hal ini akan membatasi proses analisa tersebut. Dalam pengembangannya proses pengambilan keputusan akan lebih optimal jika didukung oleh sistem yang mampu menemukan pola atau hubungan dari kumpulan data yang ada. Kemudian dari pola atau hubungan yang didapatkan tersebut dilakukan prediksi untuk masa yang akan datang. Disinilah peran data mining diperlukan sebagai salah satu metode Knowledge Discovery in Databases (KDD), sehingga proses analisa untuk kegiatan akademik dapat lebih dioptimalkan. Permasalahan yang ada saat ini adalah tidak adanya data mining database dan aplikasi data mining yang mampu melakukan proses pencarian knowledge dalam basis data yang kemudian mampu mendukung proses analisa dan pengambilan keputusan untuk kegiatan akademik.Tugas akhir dengan topik 'Perancangan Aplikasi Data Mining Untuk Kegiatan Akademik Di Universitas Indonesia' untuk ruang lingkup fakultas adalah salah satu solusi untuk mengatasi permasalahan di atas. Tugas akhir ini bertujuan untuk melakukan kajian analisa perancangan data mining database dan aplikasi data mining untuk kegiatan akademik di Universitas Indonesia.Metodologi yang digunakan dalam tugas akhir ini dimulai dari pembelajaran terhadap teori-teori yang relevan dengan basis data, data warehouse, data mining, dan Knowledge Discovery in Databases (KDD). Kemudian dilanjutkan dengan melakukan kajian analisa terhadap permasalahan, analisa basis data untuk data mining, analisa data mining berupa kajian tahapan dan persiapan yang harus dilakukan, serta pemilihan studi kasus evaluasi keberhasilan studi mahasiswa. Setelah itu baru diambil kesimpulan yang sesuai dengan hasil analisa. Hasil yang diperoleh dari tugas akhir ini adalah bahwa penerapan konsep data mining pada ruang lingkup fakultas di Universitas Indonesia dapat membantu mengoptimalkan proses pengambilan keputusan untuk kegiatan akademik.Hasil analisa yang dilakukan meliputi analisa permasalahan, analisa basis data untuk kebutuhan data mining, dan analisa data mining. Untuk mengembangkan aplikasi data mining dibutuhkan data warehouse atau basis data tersendiri yang memenuhi syarat dan mampu menyediakan data yang relevan dengan kebutuhan data mining. Hasil lain yang ditemukan adalah bahwa penggunaan aplikasi data mining untuk ruang lingkup akademik memerlukan aplikasi yang harus di-customized terlebih dahulu. Sedangkan hasil uji coba dengan menggunakan aplikasi statistik, yaitu SPSS menunjukkan bahwa algoritma regresi dapat digunakan untuk memprediksi IPK mahasiswa pada semester yang akan datang. Saran yang dapat diberikan untuk pengembangan selanjutnya adalah pengembangan analisa yang lebih spesifik yang diikuti dengan uji coba dengan menggunakan aplikasi data mining dan implementasi. Selain itu memperluas ruang lingkup proses analisa dan pengambilan keputusan yang tidak terbatas hanya pada evaluasi keberhasilan studi, namun dikaitkan dengan hal lain yang masih relevan seperti kaitan evaluasi keberhasilan studi dengan alokasi jadwal kuliah, dan sebagainya. Saran yang terakhir adalah mengembangkan data warehouse untuk ruang lingkup universitas, sehingga penerapan data mining tidak hanya terbatas pada kegiatan akademik."

"Tujuan penelitian adalah menganalisis hubungan keikutsertaan perusahaan dalam program pengampunan pajak (tax amnesty) sesuai dengan UU Pengampunan Pajak Tahun 2016 dan penghindaran pajak (tax avoidance) perusahaan sebelum program tax amnesty yang diukur dengan beberapa pengukuran. Data dalam penelitian ini adalah perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) dengan sampel sebanyak 142. Hasil penelitian ini menunjukkan perusahaan yang melakukan tax amnesty memiliki tingkat penghindaran pajak jangka pendek (short-run tax avoidance) yang lebih tinggi dibandingkan perusahaan yang tidak melakukan tax amnesty dengan pengukuran cash effective tax rate. Pengukuran penghindaran pajak lainnya termasuk pengukuran penghindaran pajak jangka panjang (long-run tax avoidance) tidak dapat menemukan perbedaan tingkat penghindaran pajak pada perusahaan yang melakukan tax amnesty dan yang tidak melakukan tax amnesty.

---

The purpose of this study is to analyze the correlation between company participation on the tax amnesty program according to the 2016 Tax Amnesty Law and tax avoidance before tax amnesty program measured by several measurements. The data based on 142 companies that listed in Indonesian Stock Exchange (IDX). Using cash effective tax rate, it is shown that the company participated in tax amnesty had higher short-run tax avoidance than company that did not participate in tax amnesty. Other tax avoidance measurements including long-run tax avoidance measures can not find the difference in tax avoidance rates between companies that participated in tax amnesty and those who did not participate in tax amnesty."

"Mutasi dan promosi pegawai merupakan hal yang biasa terjadi dalam pengelolaan sumber daya manusia, untuk melakukan pengisian jabatan sehingga organisasi dapat berjalan dengan efektif. Saat ini Direktorat Jenderal Perbendaharaan (DJPb) Kementerian Keuangan Republik Indonesia memiliki kesulitan dalam penyusunan draft keputusan mutasi dan promosi jabatan pengawas. Penyusunan draft keputusan mutasi dan promosi jabatan pengawas baru dapat dilakukan pada tahun berjalan setelah selesainya seleksi manajemen talenta untuk mencari pelaksana yang akan dipromosikan sehingga waktu yang tersedia pada tahun berjalan menjadi kurang memadai dalam penyusunan draft keputusan mutasi dan promosi serta sering terjadinya kekurangan jumlah pelaksana yang dapat dipromosikan menjadi pejabat pengawas. DJPb perlu untuk memprediksi pelaksana yang dapat promosi jabatan pada periode berikutnya sehingga dapat merencanakan penyusunan draft keputusan mutasi lebih awal dan mengantisipasi kurangnya pelaksana yang direkomendasikan untuk promosi.Salah satu teknik untuk memprediksi promosi jabatan adalah menggunakan data mining berdasarkan data historis promosi jabatan pegawai. Data mining dapat menemukan pola yang terjadi dalam data dengan membangun sebuah model prediktif berdasarkan data. Namun, seluruh data yang tersedia belum tentu efektif digunakan untuk memprediksi promosi jabatan menggunakan teknik data mining. Pada penelitian digunakan beberapa teknik feature selection serta analisis multivariat menggunakan logistic regression untuk menentukan kombinasi data dari 22 atribut berdasarkan correlation coefficient, information gain, dan gain ratio, sebagai masukan terhadap klasifikasi dalam data mining, yaitu decision tree, logistic regression, support vector machine, naïve bayes, random forest, dan neural networks untuk mengetahui kinerjanya. Kombinasi data berdasarkan correlation coefficient dengan classifier random forest yang memiliki evaluasi yang terbaik sehingga diusulkan sebagai data yang paling efektif digunakan untuk memprediksi promosi jabatan, yaitu usia, masa kerja, jenis kelamin, mode pendidikan, unit kerja, golongan awal, tipe unit kerja, tingkat pendidikan, kesamaan provinsi lahir dan unit, status ibukota unit, jumlah pengalaman kota, jumlah pengalaman jabatan, golongan provinsi unit kerja, jumlah anggota keluarga, bidang pendidikan, nilai kinerja pegawai, nilai perilaku, jumlah diklat, provinsi lahir, status perkawinan, dan status kepegawaian.

---

Employee mutations and promotions are common in human resource management, to fill positions so that the organization can run effectively. Currently, the Directorate General of Treasury (DJPb) of the Ministry of Finance of the Republic of Indonesia has difficulties in drafting a decision on mutations and promotions to supervisory positions. The preparation of the draft decision on mutation and promotion of new supervisory positions can be carried out in the current year after the completion of the talent management selection to find implementers to be promoted so that the time available in the current year becomes insufficient in preparing the draft mutation and promotion decisions and there is often a shortage of staffs who can be promoted to supervisory officer. DJPb needs to predict the staffs who can be promoted in the next period so that they can plan the preparation of a draft transfer decision earlier and anticipate the lack of staffs recommended for promotion.

One technique to predict promotions is to use data mining based on historical data on employee promotions. Data mining can find patterns that occur in the data by building a predictive model based on the data. However, all available data is not necessarily effective in predicting promotions using data mining techniques. In this study, several feature selection techniques and multivariate analysis using logistic regression were used to determine the combination of data from 22 attributes based on the correlation coefficient, information gain, and gain ratio, as input to the classification in data mining, namely decision tree, logistic regression, support vector machine, naive Bayes, random forest, and neural networks to determine their performance. The combination of data based on the correlation coefficient with the random forest classifier that has the best evaluation is proposed as the most effective data used to predict promotions, namely age, years of service, gender, mode of education, work unit, entry-level, type of work unit, education, similarity in the province of birth and unit, the status of unit capital, number of city experience, number of position experience, provincial group of work units, number of family members, education field, employee performance value, behavior value, number of education and training, province of birth, marital status, and employee status

"

"Penelitian ini bertujuan untuk meneliti hubungan manajemen laba terhadap opini audit-going concern pada perusahaan manufaktur yang terdaftar di Bursa Edek Indonesia periode 2012-2016 dengan pengambilan sampel menggunakan metode purposive sampling. Jumlah sampel penelitian yang terpilih sebanyak 535 perusahaan. Variabel independen yakni manajemen laba dihitung berdasarkan akrual dan riil. Manajemen laba akrual diproksikan berdasarkan besarnya beban diskresioner sesuai dengan Kothari Model (2005), sedangkan manajemen laba rill diproksikan dengan Roychowdhurry Model (2006) dengan memperhitungkan abnormal cash flow from operation, abnormal production cost dan abnormal discretionary expenses. Variabel dependen adalah opini audit-going concern yang merupakan variabel dummy, bernilai 1 jika sampel penelitian memperoleh opini audit qualified, adverse, disclaimer dan unqualified audit opinion with emphasis of matter retaled to going concern., selainnya itu bernilai 0. Berdasarkan hasil penelitian, ditemukan bahwa variabel independen yang memiliki hubungan signifikan positif adalah manajemen laba akrual dan manajemen riil melalui abnormal production cost, sedangkan variabel yang berhubungan signifikan negatif yakni manajemen riil melalui abnormal cash flow from operation. Namun, untuk variabel manajemen riil melalui abnormal discretionary expenses tidak ditemukan adanya hubungan dengan opini audit-going concern.

---

This study aims to examine the relationship of earnings management to audit opinion-going concern on manufacturing companies listed in Indonesia Stock Exchange period 2012-2016 with using purposive sampling method. The number of selected samples are 535 companies. The independent variable of earnings management is calculated based on accrual and real. Accrual earning management is proxied based on the amount of discretionary expenses in accordance with Kothari Model (2005), while the real earnings management is proxied with Roychowdhurry Model (2006) with abnormal cash flow from operation, abnormal production cost and abnormal discretionary expenses. Dependent variable is audit opinion-going concern which is dummy variable, value 1 if sample of research get qualified opinion opinion, adverse, disclaimer and unqualified audit opinion with emphasis of matter retaled to going concern, besides it is value 0. Based on result, the independent variables that have a significantly positive are the accrual earnings management and real earning management through abnormal production cost, while the variables that are significantly negative is real earnings management through the abnormal cash flow from operation. However, for real earnings management variable through abnormal discretionary expenses, no correlation found related to audit opinion-going concern"