Pemodelan Prediksi Financial Distress Menggunakan Metode Particle Swarm Optimization-Support Vector Machine

-, Herlina (2014) Pemodelan Prediksi Financial Distress Menggunakan Metode Particle Swarm Optimization-Support Vector Machine. Masters thesis, Institut Technology Sepuluh Nopember.

[img] Text
2512202201-Master Thesis.pdf - Published Version
Restricted to Repository staff only

Download (1MB) | Request a copy

Abstract

Financial distress adalah sebuah kondisi yang menunjukkan tahap-tahap penurunan kondisi keuangan sebuah perusahaan yang terjadi sebelum perusahaan mengalami kebangkrutan (bankruptcy) atau likuidasi. Kemampuan untuk memprediksi terjadinya financial distress menjadi topik penelitian yang penting karena dapat memberikan manfaat bagi perusahaan untuk dapat mencegah kebangkrutan. Pada penelitian ini dibuat model prediksi financial distress pada perusahaan manufaktur terbuka di Indonesia dengan menggunakan metode Support Vector Machine (SVM) yang dioptimasi dengan menggunakan metode Particle Swarm Optimization (PSO). Variabel yang akan digunakan dalam penelitian ini meliputi variabel keuangan, non-keuangan, dan makroekonomi. Teknik pemilihan variabel pada penelitian ini menggunakan metode Analytic Hierarchy Process (AHP), dimana dalam pemilihan variabel akan melibatkan preferensi dan pengalaman para ahli keuangan didalamnya. Dari hasil seleksi variabel dengan menggunakan AHP didapatkan 16 variabel yang terpilih untuk menjadi variabel input pada model. Dari hasil pengujian didapatkan kesimpulan bahwa metode PSO-SVM lebih unggul dari segi waktu komputasi yang lebih singkat dibandingkan dengan SVM standar dengan tingkat akurasi yang tetap terjaga. ============================================================================================================ Financial distress is a condition refers to a declining stage of financial condition of a company that would be happened before the company is going to be bankrupt. The competence in predicting financial distress becomes an important research topic due to the advantage in preventing companies’financial failure. This research will develop a financial distress prediction model for listed manufacturing companies in Indonesia using Support Vector Machine (SVM) optimized by Particle Swarm Optimization (PSO). The variables used for the model take into account financial ratios, internal governance, firm size, auditor opinion, and auditor reputation. In order to consider the preference and experience of the expertise for variables selection, this research will propose to use the Analytic Hierarchy Process (AHP) approach. There are 16 variables chosen to be the variables input for the model as a result of variables selection process using AHP approach. The accuracy of the prediction model and computation time will be compared between SVM and PSO-SVM. From the experimental research, it can be concluded that our proposed PSO-SVM method outperformed standard SVM in the term of reducing computational time with maintained accuracy.

Item Type: Thesis (Masters)
Additional Information: RTI 005.1 Her p
Uncontrolled Keywords: Financial Distress, Support Vector Machine, Particle Swarm Optimization, Analytic Hierarchy Process
Subjects: Q Science > QA Mathematics > QA76 Computer software
T Technology > T Technology (General) > T174 Technological forecasting
Divisions: Faculty of Industrial Technology > Industrial Engineering > (S2) Master Theses
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 12 Jul 2019 07:06
Last Modified: 12 Jul 2019 07:06
URI: http://repository.its.ac.id/id/eprint/63946

Actions (login required)

View Item View Item