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.

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 > 26101-(S2) Master Thesis
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