Analisis Rasio Keuangan Untuk Memprediksi Financial Distress Menggunakan Support Vector Machine
Abstract
Financial distress merupakan gejala awal yang dialami oleh suatu perusahaan sebelum mengalami kebangkrutan.Financial distress tercermin melalui kinerja perusahaan yang menurun. Kinerja perusahaan yang menurun ini dapat
diukur menggunakan rasio keuangan untuk menggambarkan kondisi kinerja perusahaan. Financial distress penting
untuk diteliti karena dapat membantu perusahaan maupun investor untuk mendeteksi secara dini kondisi keuangan
perusahaan dan meminimalisir risiko yang ada. Penelitian ini memiliki tujuan untuk mengetahui tingkat ketepatan
model prediksi financial distress perusahaan sektor energi yang terdaftar di Bursa Efek Indonesia. Penelitian ini
meliputi laporan keuangan perusahaan, rasio keuangan dan kondisi financial distress perusahaan, serta penggunaan
metode dari model prediksi financial distress. Dengan mengetahui korelasi antara rasio keuangan dengan financial
distress maka rasio keuangan dapat dijadikan sebagai variabel input dalam model prediksi financial distress.Teknik
pengambilan data dengan observasi secara mendalam dan pengumpulan data sekunder. Objek penelitian ini adalah
perusahaan sektor energi yang terdaftar di BEI periode 2009-2020, dengan teknik purposive sampling maka diperoleh
sebanyak 14 sampel data observasi. Metodologi yang digunakan dalam penelitian ini adalah metode Support Vector
Machine (SVM) yang memperbaiki metode sebelumnya. Berdasarkan hasil penelitian bahwa rasio likuiditas, rasio
profitabilitas, rasio solvabilitas, rasio aktivitas, dan rasio pertumbuhan dapat dijadikan variabel input untuk model
prediksi financial distress pada perusahaan sektor energi yang terdaftar di BEI. Model prediksi financial distress pada
perusahaan sektor energi yang memberikan nilai akurasi 88% diberikan oleh kernel polynomial C=1, D=1. Hasil
penelitian ini diharapkan dapat dijadikan referensi untuk model prediksi financial distress menggunakan metode
support vector machine pada perusahaan sektor energi yang terdaftar di Bursa Efek Indonesia. Selain itu, penelitian
ini dapat dijadikan arahan untuk investor dan manajer perusahaan pada sektor energi yang terdaftar di Bursa Efek
Indonesia untuk melakukan perencanaan investasi lebih baik dan acuan untuk memprediksi financial distress pada
perusahaannya.
Kata Kunci-kesulitan keuangan, rasio keuangan, support vector machine
References
Budiaharto, W. (2016). Machine Learning and Computational Intellegence. Yogyakarta: Andi Offset.
Cahya, L.M., Daru, A., Andrian, D. (2016) Aplikasi Data Mining dengan Metode Support Vector Machine
(SVM) untuk Prediksi Financial distress pada Industri Jasa Go Pubic yang Terdaftar di Bursa Efek Indonesia.
Seminar Nasional Inivasu dan Aplikasi Teknologi di Industri.
Carolina, V., Marpaung, E.I., Pratama, D. (2017). Analisis Rasio Keuangan untuk Memprediksi Kondisi
Financial distress (Studi Empiris pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia Periode
-2015). Jurnal Akuntansi Maranatha 9(2).
Darmawan, S. (2017). Analisis Pengaruh Corporate Governance, Variabel Ekonomi Makro Terhadap Financial
distress Dengan Variabel Kontrol Ukuran Perusahaan dan Jenis Kepemilikkan. Jurnal Ekonomi dan Bisnis, 7(1),
-122. Retrived from: http://e-journal.janabadra.ac.id/index.php/jurnalefektif/article/view/248
Debnath, P. (2017). Assaying the Impact of Firm’s Growth and Performance on Earning Management: An
Empirical Observation of Indian Economy. International Journal of Research in Business Studies and
Management, 4(2), 30-40. doi: 10.22259/ijrbsm.0402003
Ikatan Akuntan Indonesia. (2013). Pernyataan Standar Akuntansi Keuangan. Jakarta: Ikatan Akuntan Indonesia.
Klepac, V. dan Hampel, D. (2017). Predicting Financial distress of Agriculture Companies in EU. Journal of
Agriculture Economy, 63(8). doi: 10.17221/374/2015-AGRIECON.
Pristiyani, Darsyah, M. Y., dan Nur, I. M. (2016). Performansi Perusahaan Financial distress Dengan Metode
Support Vector Machine. Jurnal Statistika, 4(1). Retrived from: researchgate.net
Salehi M. et al., (2015). Predicting Corporate Financial distress Using Data Mining Techniques. International
Journal of Law and Management 58(2). Doi: 10.1108.IJLMA-06-2015-0028
Titman, S., Keown, A. J., & Martin, D. J. (2018). Financial Management: Principles and Applications (13rd
ed.). United Kingdom: Pearson Education.
