PREDIKSI KEBANGKRUTAN DENGAN METODE ANN, SVM, DAN CART PADA PERUSAHAAN PROPERTI, KONSTRUKSI, DAN INDUSTRI SEJENIS YANG TERDAFTAR DI BEI

  • Rafael Reinaldo Loren Petra Christian University
  • Doddy Prayogo Magister Teknik Sipil UK Petra
  • Januar Budiman Magister Teknik Sipil UK Petra
Keywords: artificial intelligence, ANN, SVM, CART, kebangkrutan, properti

Abstract

Sifat ketidakpastian dalam sektor konstruksi, properti, real estate dan industri sejenis membuat sektor ini rentan menghadapi financial distress. Saat ini, metode yang digunakan untuk memprediksi status finansial perusahaan adalah pendekatan linier, sedangkan tidak semua variabel menunjukkan korelasi linear terhadap kesehatan finansial sebuah perusahaan. Penelitian bertujuan untuk menemukan model prediksi yang paling akurat dalam memprediksi indikasi financial distress dengan menggunakan kecerdasan buatan(AI). Metode AI yang digunakan dalam penelitian ini adalah ANN, SVM, dan CART. Metode ini digunakan untuk menganalisis tiga dataset rasio keuangan dari model peneliti terdahulu pada prediksi tiga dan lima tahun. Hasil terbaik dari pengolahan data kemudian dianalisis dengan confusion matrix untuk menentukan metode yang memiliki tingkat akurasi tertinggi. Hasil penelitian menunjukkan bahwa metode ANN memiliki tingkat akurasi paling tinggi terbanyak. Dataset dari peneliti Cheng et al. (2014) memiliki tingkat akurasi tertinggi pada hasil prediksi tiga tahun dengan metode CART dan lima tahun dengan menggunakan metode ANN.

References

Almilia, L., S. & Kristijadi (2003). Analisis rasio keuangan untuk memprediksi kondisi financial distress perusahaan manufaktur yang terdaftar di bursa efek jakarta. Jurnal Akuntansi & Auditing Indonesia, 2.

Calandro Jr, J. (2007). Considering the utility of altman’s z-score as a strategic assessment and performance management tool. Emerald Insight.

Cheng, et.al. (2014). A novel hybrid intelligent approach for contract default status prediction. Journal of Knowledge-Based Systems, 71, 314-321.

Cheng, M.-Y., Prayogo, D., & Wu, Y.-W. (2013). Novel genetic algorithm-based evolutionary support vector machine for optimizing high-performance concrete mixture. Journal of Computing in Civil Engineering, 28(4).

Chou, J. S., Tsai, C. F., Pham, A. D., & Lu, Y. H. (2014). Machine learning in concrete strength simulations: multi-nation data analytics. Journal of Construction and Building Materials, 73, 771–780.

Chou, J.S., Tsai, C.F., Pham, A.D., & Taharawa, I.A. (2011). Optimizing the prediction accuracy of concrete compressive strength based on a comparison of data-mining techniques. Journal of Computing in Civil Engineering, 25(3), 242-253.

Creswell, J. W. (2014). Research design 4th edition: qualitative, quantitative, and mixed methods approaches. SAGE Publications, Inc.

Fibrianda, Mercury F., & Bhawiyuga, Adhitya. (2018). Analisis perbandingan akurasi deteksi serangan pada jaringan komputer dengan metode naïve bayes dan support vector machine (SVM). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(9), 3112-3123.

J. Chou, C. Chiu, M. Farfoura, I. A.-T. (2011). Optimizing the prediction accuracy of concrete compressive strength based on a comparison of data-mining techniques. Journal of Computing in Civil Engineering, 30(4), 1–11.

Karsito, & Susanti, Santi. (2019). Klasifikasi kelayakan peserta pengajuan kredit rumah dengan algoritma naïve bayes di perumahan azzura residencia. Jurnal Teknologi Pelita Bangsa, 9(3), 43-48.

Kho, S. H., & Mariani, F. I. (2017). Financial management canvas. Jakarta: PT Elex Media Komputindo.

Lau, A. H. (1987). A five state financial distress prediction model. Journal of Accounting Research, 25, 127-138.

Pane, R. A., Topowijono, & Husaini, A. (2015). Analisis diskriminan untuk memprediksi kebangkrutan perusahaan. Jurnal Administrasi Bisnis, 27.

Prihadi, T. (2011). Analisis laporan keuangan teori dan aplikasi. Jakarta: Penerbit PPM.

Pristiyani, Darsyah, M. Y., & Nur, I. M. (2016). Performansi perusahaan finansial distress dengan metode support vector machine. Statistika, 4.

Ramadhani, A. S. & Lukviarman, N. (2009). Perbandingan analisis prediksi menggunakan model altman pertama, altman revisi, dan altman modifikasi dengan ukuran dan umur perusahaan sebagai variabel penjelas (studi pada perusahaan manufaktur yang terdaftar di bursa efek Indonesia). Jurnal Siasat Bisnis, 13(1), 15-28.

Roman Timoofeev. (2004). Classification and regression trees (CART) theory and applications. Berlin: Humboldt University

Senbet, L. W., & Wang, T. Y. (2012). Corporate financial distress and bankruptcy: a survey. Now Publishers.

Sugiyono. (2014). Metode penelitian pendidikan pendekatan kualitatif, kuantitatif, dan R&D. Bandung: Alfabeta.

Sugiyono. (2017). Metode penelitian bisnis. Bandung: Alfabeta.

Van Horne, J. C., & Wachowicz, J. M. (2008). Fundamental of financial management 13th edition. Pearson.

Weston, J. F., & Copeland, T. E. (1992). Manajemen keuangan. Jakarta: Erlangga.

Whitaker, B., Richard. (1999). The early stages of financial distress. Journal of Economics and Finance, 23(2), 123-133.

Published
2022-10-31
Section
Articles