Prediksi Financial Distress Perusahaan Sektor Keuangan yang Terdaftar pada Bursa Efek Indonesia

Azzahra, Audy Shafira Nurfariesha (2024) Prediksi Financial Distress Perusahaan Sektor Keuangan yang Terdaftar pada Bursa Efek Indonesia. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2043201040-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2026. Download (2MB) | Request a copy

Abstract

Data pada Bursa Efek Indonesia menyebutkan bahwa perusahaan yang bergerak pada sektor keuangan memiliki nilai saham yang paling tinggi dibandingkan sektor lainnya yang akan sangat menarik minat para investor untuk berinvestasi pada sektor ini. Namun tentunya semakin besar keuntungan yang bisa didapatkan maka resiko yang dimiliki akan semakin besar pula. Salah satu resiko investasi adalah kondisi financial distress perusahaan, yaitu suatu kondisi dimana keuangan perusahaan sedang berada dalam keadaaan tidak sehat yang menunjukkan tahap penurunan dalam kondisi keuangan perusahaan sehingga perusahaan tidak mampu menghasilkan keuntungan dan membayar kewajibannya. Sebelum memilih perusahaan untuk investasi, penting untuk melakukan prediksi untuk memperkirakan apakah sebuah perusahaan berpotensi untuk mengalami financial distress. Metode Support Vector Machine (SVM) dapat digunakan untuk memprediksi financial distress perusahaan dengan memisahkan perusahaan yang mengalami financial distress dan non-distress berdasarkan variabel yang memengaruhinya. Untuk meningkatkan hasil akurasi prediksi, penelitian ini akan menggunakan metode optimisasi yaitu proses menyesuaikan kepada input atau karakteristik perangkat, proses matematis, atau percobaan untuk menemukan output maksimum atau maksimum hasil, menggunakan metode Particle Swarm Optimization (PSO). Hasil dari penelitian ini yaitu model prediksi financial distress perusahaan sektor keuangan menggunakan metode Spport Vector Machine (SVM) dan optimasi PSO (Particle Swarm Optimization) menggunakan data hasil penanganan imbalance dengan SMOTE menghasilkan akurasi terbaik di antara metode lainnya, dengan 11 perusahaan diprediksi mengalami financial distress.
=================================================================================================================================
Data in the Indonesia Stock Exchange states that companies engaged in the financial sector have the highest stock value compared to other sectors which will greatly attract investors to invest in this sector. But of course, the greater the benefits that can be obtained, the greater the risk will be. One of the investment risks is the company's financial distress condition, which is a condition where the company's finances are in an unhealthy state which shows a stage of decline in the company's financial condition so that the company is unable to generate profits and pay its obligations. Before choosing a company for investment, it is important to make predictions to estimate whether a company has the potential to experience financial distress. The Support Vector Machine (SVM) method can be used to predict a company's financial distress by separating companies experiencing financial distress and non-distress based on the variables that affect it. To improve the results of prediction accuracy, this research will use optimization methods, namely the process of adjusting to input or device characteristics, mathematical processes, or experiments to find the maximum or maximum output of results, using the Particle Swarm Optimization (PSO) method. The results of this study are financial distress prediction models of financial sector companies using the Spport Vector Machine (SVM) method and PSO (Particle Swarm Optimization) optimization using data from handling imbalances with SMOTE made the best accuracy among other methods, with 11 companies predicted to experience financial distress.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Financial Distress, Sektor Keuangan, Particle Swarm Optimization (PSO), Financial Distress Prediction, Financial Sector, Support Vector Machine (SVM).
Subjects:	H Social Sciences > HG Finance > HG4529 Investment analysis Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.3 Swarm intelligence
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Audy Shafira Nurfariesha Azzahra
Date Deposited:	27 May 2024 08:00
Last Modified:	27 May 2024 08:00
URI:	http://repository.its.ac.id/id/eprint/107991

Actions (login required)

View Item