PREDIKSI FINANCIAL DISTRESS PADA PERUSAHAAN SEKTOR INDUSTRI DI INDONESIA METODE SUPPORT VECTOR MACHINE, GENERALIZED EXTREME VALUE REGRESSION, DAN LOGISTIC REGRESSION DENGAN SELEKSI VARIABEL

Savera, Rizki Nanda (2020) PREDIKSI FINANCIAL DISTRESS PADA PERUSAHAAN SEKTOR INDUSTRI DI INDONESIA METODE SUPPORT VECTOR MACHINE, GENERALIZED EXTREME VALUE REGRESSION, DAN LOGISTIC REGRESSION DENGAN SELEKSI VARIABEL. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 06211640000084-Undergraduate_Thesis.pdf]
Preview
Text
06211640000084-Undergraduate_Thesis.pdf

Download (4MB) | Preview

Abstract

Sektor industri dalam perekonomian Indonesia memiliki andil sebagai penyumbang kontribusi terbesar untuk perekonomian di Indonesia. Eksistensi dari sektor industri menuntut kestabilan keuangan suatu perusahaan yang berkecimpung dibidang industri. Maka dari itu pada penelitian ini akan dianalisis perusahaan-perusahaan sektor industri yang dapat dikatakan mengalami financial distress berdasarkan rasio aktvitas, rasio profitabilitas, rasio solvabilitas, dan rasio likuiditas. Metode yang digunakan dalam penelitian antara lain yaitu Support Vector Machine, Generalized Exreme Value Regression, dan Logistic Regression. Selain itu pada masing-masing metode juga dilakukan seleksi variabel untuk meminimalisir adanya multikolinieritas. Analisis dilakukan menggunakan time window dengan pendekatan full memory time window. Setelah dilakukan permodelan secara serentak dan seleksi variabel diketahui bahwa untuk permodelan secara serentak dan seleksi variabel, metode Generalized Extreme Value Regression dan dengan metode yang sama menggunakan backward elimination memberikan hasil prediksi terbaik dan diberikan oleh data size 0 baik pada data train ataupun data test dengan ukuran AUC.

Item Type: Thesis (Other)
Additional Information: RSSt 519.535 Sav p-1 • Savera, Rizki Nanda
Uncontrolled Keywords: Financial Distress, Industri, Klasifikasi, Probabilitas, Seleksi Variabel, Clasification, Feature Selection, Industry, Probability.
Subjects: H Social Sciences > HA Statistics
Divisions: Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User: RIZKI NANDA SAVERA
Date Deposited: 25 Aug 2020 12:11
Last Modified: 26 May 2023 13:47
URI: http://repository.its.ac.id/id/eprint/80813

Actions (login required)

View Item View Item