DETEKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

DETEKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK [Enterprise Bankrupcty Detection using Artificial Neural Network]

Cynthia G.Y.P NRP. 1205 100 061

Dosen Pembimbing Dr. M Isa Irawan, MT NIP. 131 843 894

Bidang Minat Ilmu Komputer Jurusan Matematika - FMIPA Institut Teknologi Sepuluh Nopember

[ Pendahuluan ] • • •

•

•

Kebangkrutan adalah kesulitan keuangan yang sangat parah sehingga perusahaan tidak mampu untuk menjalankan operasi perusahaan dengan baik. Sedangkan kesulitan keuangan (financial distress) adalah likuiditas yang mungkin menjadi salah satu penyebab awal kebangkrutan. Kasus kebangkrutan perusahaan di Amerika Serikat yang menghebohkan kalangan dunia usaha yaitu kasus Enron, Worldcom & Tyco gate yang salah satu pemicunya adalah adanya kesulitan keuangan yang tidak mampu ditangani perusahaan. Di Indonesia, studi tentang prediksi kebangkrutan akibat kesulitan keuangan masih jarang dilakukan, karena sulitnya mencari data keuangan perusahaan di Indonesia dan atau bangkrut yang dipublikasikan. Oleh karena itu tugas akhir kali ini akan mengimplementasikan teknik komputasi kecerdasan buatan yang dapat digunakan untuk memprediksi kebangkrutan sebuah perusahaan akibat kesulitan keuangan.


[ Rumusan Masalah ] •

Bagaimana teknik kecerdasan buatan berbasis komputer (dalam hal ini kita menggunakan Artificial Neural Network) bekerja untuk mendeteksi kebangkrutan pada sebuah perusahaan dengan menggunakan analisa data laporan keuangan selama beberapa periode tertentu.


[ Batasan Masalah ] • •

•

• •

Data yang digunakan untuk diprediksi adalah data olahan rasio keuangan yang diperoleh dari data laporan keuangan perusahaan selama tiga tahun terakhir. Data yang digunakan untuk training Backpropagation terdiri dari dua jenis rasio keuangan perusahaan, yaitu rasio keuangan perusahaan yang tidak bangkrut dan rasio keuangan perusahaan yang bangkrut. Perusahaan yang diambil sampel datanya baik itu perusahaan yang telah bangkrut maupun perusahaan yang akan diprediksi adalah perusahaan sejenis, terdapat pada proses testing. Karena alasan kepemilikan maka nama Perusahaan tidak disebutkan. Menggunakan algoritma ANN-Backpropagation untuk melakukan training.


[ Tujuan & Manfaat ] Tujuan • Mengimplementasikan metode Artificial Neural Network dengan algoritma Backpropagation untuk melakukan training dalam mendeteksi kebangkrutan akibat kesulitan keuangan pada sebuah perusahaan. Manfaat • Dapat mendeteksi kebangkrutan keuangan sebuah perusahaan dalam waktu yang dini sehingga dapat mengantisipasi kemungkinan-kemungkinan terburuk yang terjadi di masa yang akan datang. • Dapat menunjang kinerja sebuah perusahaan dalam membuat keputusan-keputusan yang tepat.


[ Tinjauan Pustaka ] 1. Rasio Keuangan • • •

Berfungsi untuk membantu mengevaluasi laporan keuangan, yaitu untuk mengungkapkan kekuatan dan kelemahan relatif suatu perusahaan Rasio Keuangan yang digunakan adalah Rasio Model Altman Rasio Keuangan ini nantinya menjadi Input fungsi training Backpropagation 1) X1 = Networking Capital to Total Assets 2) X2 = Retained Earnings to Total Assets 3) X3 = Earnings Before Interest and tax to Total Assets 4) X4 = Market of Equity to Book Value of Debt 5) X5 = Sales to Total Assets


[ Tinjauan Pustaka ] 2. Jaringan Syaraf Tiruan(Artificial Neural Network) • • • •

Jaringan syaraf tiruan dapat dibayangkan seperti otak buatan yang dapat menyimpulkan sesuatu dari potongan-potongan informasi yang diterima. Kesimpulan yang ditarik berdasarkan pengalamannya selama mengikuti proses pembelajarannya. Tiruan neuron dalam struktur jaringan syaraf tiruan adalah sebagai elemen pemroses yang dapat berfungsi seperti halnya sebuah neuron. Sejumlah sinyal masukan a dikalikan dengan masing-masing penimbang yang bersesuaian w. kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilakukan kedalam fungsi pengaktif untuk mendapatkan tingkat derajat sinyal keluarannya F(a,w).


[ Tinjauan Pustaka ] 3. Metode ANN-Backpropagation •

• • •

Training jaringan dengan backpropagation meliputi tiga tahap, yaitu: feedforward dari pola input training, perhitungan error propagasi balik ( backpropagation of error ) yang bersangkutan dan pembaharuan ( adjustment ) bobot. Setelah proses training, aplikasi jaringan hanya meliputi perhitungan feedforward. Input yang digunakan adalah rasio keuangan yang telah di jelaskan di awal yaitu X1, X2, X3, X4, dan X5. Algoritma Backpropagation diterapkan pada arsitektur 5 input node dan 3 layer Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner, yang mempunyai interval ( 0 , 1) dan didefinisikan sebagai berikut: 1 dengan f ' (x ) = f (x )[1 − f (x )] sehingga diperoleh gambar f1 (x ) = 1 1 1 1 + exp(− x )


[ Metodologi Penelitian ] Pengumpulan Data

• • • • • •

1Pengumpulan Data 2Analisis dokumen hasil pengumpulan data

Analisis dan Perancangan Sistem 1Perancangan Proses Klasifikasi rasio keuangan 2Perancangan Interface Perangkat Lunak

Studi Pendahuluan Perencanaan Penelitian Pengumpulan Data Analisis dan Perancangan Sistem Implementasi sistem Uji Coba dan Evaluasi

Evaluasi Implementasi Pengklasifikasian data yang telah dihitung rasionya menggunakan algoritma backpropagation Evaluasi Uji Coba dan Evaluasi 1Uji coba perangkat lunak 2Evaluasi hasil proses


[ Analisis Perancangan & Implementasi Perangkat Lunak ] • •

Perangkat lunak yang akan dibuat memiliki fungsi untuk mendeteksi kebangkrutan perusahaan yang disebabkan oleh kesulitan keuangan (financial distress). Rasio keuangan yang digunakan telah disinggung di awal yaitu : – X1: Working capital/total assets – X2: Retained earnings/total assets – X3: Earnings before interest and taxes/total assets – X4: Market value of equity/total debt – X5: Sales/total assets


[ Analisis Perancangan & Implementasi Perangkat Lunak ] START

1. Bobot Random Vr(5,5) ;Wr(5,1) 2. Data Taining Xt(62,5) ; Tt(62,1)

START

Flowchart Proses Training

Feed Forward: Zj = F(Z_inj) Yk = F(Y_ink) Back Propagation: F(gamma) Update Bobot: deltaV deltaW

1. Hasil Proses Training (Bobot Baru) Vn(5,5) ; Wn(5,1) 2. Data Testing Xs(13,5) ; Ts(13,1)

Flowchart Proses Testing

Feed Forward: Zj = F(Z_inj) Yk = F(Y_ink) Hasil Training

no

DELTA_MSE < epsilon ?

Vn Wn MSE delta MSE

Hasil Akhir yes

1. Feed Forward (Yk) Bobot Baru

2. MSE

Vn(5,5) ; Wn(5,1)

3. Prediksi

END

Bidang Minat Ilmu Komputer Jurusan Matematika - FMIPA END Institut Teknologi Sepuluh Nopember

[ Analisis Perancangan & Implementasi Perangkat Lunak ] •

• •

Algoritma Backpropagation terdiri dari 3 proses utama yaitu proses feedforward, training backpropagation, dan update bobot. Arsitektur layer terdiri dari 5 input node, 5 jumlah node hidden, dan 1 output node. Setiap node input memiliki koneksi bobot pada masing-masing hidden layer yang ada dan setiap hidden layer memiliki koneksi bobot yang mengarah pada satu output node. Untuk proses training data set terdiri dari 62 recordset dan untuk proses testing data set terdiri dari 13 recordset. Kekurangan dan kelebihan perangkat perangkat lunak tersebut ditinjau dari segi sistem – Kekurangan : masih kurang mendetail, hanya terdapat 2 output prediksi yaitu 0 dan 1 atau dengan kata lain bangkrut atau tidak bangkrut. – Kelebihan : dapat memprediksi situasi perusahaan ke depan tergantung dari lamanya durasi laporan keuangan perusahaan yang diambil sampel, user friendly.



Salah satu aspek penting dalam pembuatan perangkat lunak adalah perancangan interface, karena perancangan interface yang baik berbanding lurus dengan tingkat user friendly sebuah perangkat lunak.



•

•

•

Tahap berikutnya adalah implementasi perangkat lunak yang meliputi beberapa tahap, diantaranya tahap implementasi jaringan syaraf tiruan dan tahap implementasi data. Fungsi-fungsi program yang terkait dalam tahap implementasi jaringan syaraf tiruan yaitu : – Inisialisasi bobot training – Implementasi algoritma backpropagation Sedangkan fungsi-fungsi program yang terkait dalam tahap implementasi data yaitu : – Proses training data – Proses testing data Pada program juga digambarkan grafik error MSE untuk melihat perubahan nilai error yang terjadi pada program.


[ Analisis Perancangan & Implementasi Perangkat Lunak ]


[ Uji Coba & Pembahasan ] • •

•

Uji validitas tombol yaitu Tombol diuji apakah fungsi yang dikerjakan sudah sesuai dengan peruntukannya dan fungsi yang bekerja sudah memberikan hasil yang sesuai. Uji error prosedur yaitu Karena pengguna perangkat lunak diasumsikan belum mengerti prosedur, maka tombol-tombol yang terdapat dalam form harus dapat mengatasi kesalahan prosedur yang dilakukan oleh pengguna. Tombol akan di non aktifkan bila tombol tersebut tidak boleh ditekan oleh pengguna agar tidak ada kesalahan prosedur. Tombol diuji apakah akan terjadi error bila pengguna memberikan masukan yang tidak sesuai dengan batasan.


[ Uji Coba & Pembahasan ] •

Proses testing dilakukan dengan menggunakan hasil pelatihan JST yang disimpan kedalam bentuk file (*.mdb) dengan beberapa inputan parameter seperti jumlah maksimal maksimal epoh dan nilai alpha. Untuk melakukan pengujian testing JST Backpropagation dataset yang dipersiapkan antara lain dengan 13 record data dan 5 field data.


[ Kesimpulan & Saran ] Kesimpulan • Proses training untuk mendapatkan bobot yang sesuai membutuhkan nilai alpha = 0,5 dan epoch = 1000, selain itu dapat juga menggunakan deltaMSE untuk mengetahui nilai error yang terjadi sehingga tingkat kevalidan program meningkat. • Grafik MSE pada program menggambarkan kestabilan error yang terjadi pada proses training, semakin kecil error yang terjadi maka grafik yang ada akan cenderung membentuk garis lurus karena deltaMSE yang terjadi semakin kecil. Saran • Aplikasi ini baru dapat mengenali pola kebangkrutan perusahaan berdasarkan kesulitan keuangan yang terjadi (digambarkan dalam nilai rasio keuangan perusahaan), jadi belum ada parameter lain untuk menentukan kebangkrutan perusahaan, sehingga kedepannya dapat dikembangkan dengan menggunakan analisa sistem dan pasar. • Program masih mengeluarkan dua output eksak yaitu 0 dan 1 untuk menggambarkan kondisi perusahaan sehingga kedepannya dapat dikembangkan denan menggunakan hybrid backpro-fuzzy untuk pengelompokan kondisi perusahaan yang lebih mendetail.


[ Daftar Pustaka ] [1] Back, Babro. (1995). ”Intelligent Information System within Bussiness : Bankruptcy Predictions using Neural Networks”, Proceedings of the 3rd Europian Conference on Information System. Athens,Greece. [2] Hendratto, Djoko. (2005). “Studi Tentang Analisis Laporan Keuangan Secara Elektronik”. Jakarta:Departemen Keuangan Republik Indonesia. [3] Hin, Kyung-shik. (2000). “Neuro-genetic Approach for Bankruptcy Prediction:A Comparison to Back-propagation Algorithms”, Graduate School Management. Korea Advanced Institute of Science and Technology. [4] Kumar, Kuldeep. (2004). “Artificial Intelligence in Financial Distress Prediction”, School of Information Technology, Faculty of Business Bond University. Australia [5] Mukamala, S. (2006). “Computational Intelligent Techniques for Financial Distress Detection”, Journal of Computational Intelligence Research , X, pp. 60-65. [6] Trippi, Robert R. (1996). “Neural Network in Finance and Investing”. Revised Edition. United States of America:McGraw-Hill company. [7] Yu-Chiang Hu. (2006). “Developing Financial Distress Prediction Models”, A study of US, Europe, and Japan Retail Performance. University of Edinburgh, UK. Bidang Minat Ilmu Komputer Jurusan Matematika - FMIPA Institut Teknologi Sepuluh Nopember

[ TERIMA KASIH ]


DETEKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

Recommend Documents