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"

"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."