.
• Latar Belakang • Perumusan Masalah
.
• Tujuan Penelitian • Manfaat Penelitian
.
• Ruang Lingkup Penelitian • Sistematika Penulisan
IHSG merosot tajam saat krisis global tahun 2008
Kondisi keuangan internal dapat berdampak besar pada nilai saham
Dampak kesulitan keuangan perusahaanperusahaan besar
Informasi kondisi rugi sebelum bangkrut (financial distress) menjadi sangat penting
Investor mengetahui masalah keuangan setelah laporan keuangan dipublikasikan
Perusahaan dapat melakukan tindakan pencegahan kebangkrutan
Bagaimana melakukan pengelompokan perusahaan manufaktur yang mengalami kondisi financial distress dengan clustering data mining. Setelah didapatkan hasilnya kemudian dianalisa rasio keuangan untuk mengetahui kelompok tersebut merupakan financial distress atau non financial distress.
Mengetahui Pengelompokan Perusahaan yang Mengalami Kondisi Financial Distress dalam Industri Manufaktur Go-Public di Indonesia
Penulis
Perusahaan
Investor
Peneliti Lain
1. Industri amatan : Industri Manufaktur terdaftar di BEI 2. Metode : K-Means dan Fuzzy C-Means clustering 3. Industri amatan listing di BEI tahun 2005 – 2008 4. Data : Laporan Keuangan terbitan BEI
Financial Distress
Data Mining
Fuzzy CMeans Clustering
K-Means Clustering
Rasio – rasio keuangan
FINANCIAL DISTRESS
DATA MINING K-MEANS CLUSTERING
FUZZY C-MEANS CLUSTERING RASIO-RASIO KEUANGAN
Fuzzy C-Means (FCM) ini mengalokasikan kembali data ke dalam masing-masing cluster dengan memanfaatkan teori Fuzzy. Sesuai dengan namanya K-Means adalah suatudengan metode Rasio keuangan diperoleh cara fuzzy yang berarti samar, batas-batas klaster dalam menghubungkan elemen-elemen laporan penganalisaan data mining yang Kondisi dimana arus kas perusahaan K-Means adalah tegas (hard) sedangkan dalam Data mining, juga disebut keuangan. Ada duasering pengelompokkan jenis-FCM melakukan proses permodelan tanpa saat sangat rendah dan perusahaan adalah samar (soft). Prosedur metode ini hampir jenisitu rasio keuangan, pertama rasio menurut knowledge discovery in database (KDD), supervisi melakukan sedang menderita kerugian akan tetapi sama dengan metodedan K-Means kecuali pusat klaster sumber darimana rasio dibuat dan dapat adalah kegiatan yang meliputi pengelompokan dataRasio dengan sistemtitik dihitung dengan mencari rata-rata dari Laporan semua dikelompokkan menjadi Neraca, belum sampai mengakibatkan data historis pengumpulan, pemakaian dalam suatu klaster dengan diberi bobot berupa partisi (Agusta, 2007) Laba Rugi, Antar Laporan. Jenis rasio menurut kebangkrutan (Purnanandam, 2008) untuk menemukan keteraturan, pola tingkat (degree belonging) dalam tujuankeanggotaan penggunaan yakni : of Rasio Likuiditas, klaster tersebut. atau hubungan dalam set data Leverage, Aktivitas,obyek Profitabilitas, Penilaian. Pengelompokan ke k klaster. k ini
Semakin meningkat apabila2007) perusahaan berukuran besar. (Santosa, harus ditentukan dahulu.ini Tujuan tersebut memiliki tetapmetode yang Dengan tingkat dapat dilihat Terdapat duakeanggotaan cara biaya perbandingan yaknidata inimembandingkan meminimalkan objective function mana yang sebenarnya berada dalam daerah rasio sekarang dengan rasioabutinggi, aset yang tidak likuid, ataupun Data mining merupakan salah satu abu. Dengan nilai tingkat keanggotaan harus diambil yang diset dalam proses clustering, yang tahun lalu dan membandingkan rasio-rasio keuntungan perusahaan yang semakin bidang keilmuan, yangsuatu berusaha keputusan ke klaster kelompok mana data harus perusahaan dengan perusahaan pada umumnya meminimalisasikan menurun seiring dengan penurunan dimasukkan. Dan hasilada metode FCM menggali pola yang dalam data.ini sangat sejenis (rasio industri). variasi dalam cluster dan maksimasi kondisi perekonomian bergantung pada nilai awal pusat klaster yang variasi antar cluster. diberikan (Santosa, 2007)
MULAI
IDENTIFIKASI DAN PERUMUSAN MASALAH
PENENTUAN TUJUAN DAN MANFAAT PENELITIAN STUDI LITERATUR : KONSEP DATA MINING K-MEANS CLUSTERING FUZZY C-MEANS CLUSTERING FINANCIAL DISTRESS ANALISA RASIO KEUANGAN PENGUMPULAN DATA LAPORAN KEUANGAN PERUSAHAAN MANUFAKTUR TERBUKA DI INDONESIA A
A
OPERASIONALISASI VARIABEL X1, X2, X3, X4, X5
PENGOLAHAN DATA DENGAN METODE K-MEANS CLUSTERING
PENGOLAHAN DATA DENGAN METODE FUZZY-MEANS CLUSTERING
PERBANDINGAN KEDUA METODE
ANALISIS DAN INTERPRETASI HASIL
KESIMPULAN DAN SARAN
SELESAI
Pengumpulan Data
Operasionalisasi Variabel
K-Means Clustering
Fuzzy CMeans Clustering
Perbandingan KMeans dan FCM
No.
Kode Emiten
1
ADES
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
ADMG AISA AKKU AKPI AKRA ALMI AMFG APLI AQUA ARGO ARNA ASGR ASII AUTO BATA BATI BIMA BRAM BRNA BRPT BTON BUDI CEKA CLPI CNTX CTBN DAVO DLTA DPNS DVLA
Nama Emiten
PT Akasha Wira International Tbk (Sebelumnya: PT Ades Waters Indonesia Tbk) PT Polychem Indonesia Tbk PT Tiga Pilar Sejahtera Food Tbk PT Aneka Kemasindo Utama Tbk PT Argha Karya Prima Industry Tbk PT AKR Corporindo Tbk PT Alumindo Light Metal Industry Tbk PT Asahimas Flat Glass Tbk PT Asiaplast Industries Tbk PT Aqua Golden Mississippi Tbk PT Argo Pantes Tbk PT Arwana Citramulia Tbk PT Astra-Graphia Tbk PT Astra International Tbk PT Astra Otoparts Tbk PT Sepatu Bata Tbk PT BAT Indonesia Tbk PT Primarindo Asia Infrastructure Tbk PT Indo Kordsa Tbk PT Berlina Tbk PT Barito Pacific Tbk PT Betonjaya Manunggal Tbk PT Budi Acid Jaya Tbk PT Cahaya Kalbar Tbk PT Colorpak Indonesia Tbk PT Century Textile Industry (CENTEX) Tbk PT Citra Tubindo Tbk PT Davomas Abadi Tbk PT Delta Djakarta Tbk PT Duta Pertiwi Nusantara Tbk PT Darya-Varia Laboratoria Tbk
JASICA ICMD
51
B01
43 51 35 35 91 33 32 35 51 43 32 97 42 42 44 52 44 42 35 34 33 34 51 91 43 33 51 51 34 53
B16 B01 B09 B09 B07 B11 B09 B09 B01 B03 B13 B15 B16 B16 B04 B02 B04 B16 B09 B05 B11 B07 B01 B07 B03 B11 B01 B01 B08 B18
X1 = (current assets-current liabilities) / total assets X2 = retained earnings / total assets X3 = EBIT / total assets X4 = book value of equity / book value of total debt X5 = sales / total assets
Proses permodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi (mengelompokkan obyek x ke dalam k klaster) Pengelompokkan obyek ke dalam k kelompok atau klaster. Untuk melakukan teknik ini, nilai k harus ditentukan terlebih dahulu, biasanya user atau pemakai sudah mempunyai informasi awal tentang jumlah klaster yang paling tepat (Santosa, 2007). Tujuan utama metode klaster : pengelompokan sejumlah data/obyek ke dalam klaster (grup) sehingga dalam setiap klaster akan berisi data yang semirip mungkin (data yang jaraknya berdekatan). Algoritma K-Means melibatkan parameter input, k, dan mempartisi sejumlah n data atau obyek kedalam k klaster sehingga menghasilkan similarity intra klaster yang tinggi namun similarity antar klaster rendah.
Berbeda dengan K-Means, dalam metode ini setiap data bisa menjadi anggota dari beberapa klaster. Batas-batas klaster dalam FCM adalah samar (soft). Prosedur metode ini hampir sama dengan metode K-Means kecuali pusat klaster dihitung dengan mencari rata-rata dari semua titik dalam suatu klaster dengan diberi bobot berupa tingkat keanggotaan (degree of belonging) dalam klaster tersebut. Dengan tingkat keanggotaan ini dapat dilihat data mana yang sebenarnya berada dalam daerah abu-abu. Dengan nilai tingkat keanggotaan harus diambil keputusan ke klaster mana suatu data harus dimasukkan. Dan hasil metode FCM ini sangat bergantung pada nilai awal pusat klaster yang diberikan (Santosa, 2007). Dalam metode Fuzzy K-Means dipergunakan variabel membership function, Uik, yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster.
SSE (Sum of Squared Error) :
Di = klaster mi = rata-rata setiap klaster
x = set data k = jumlah kelompok
icdrate (internal cluster dispersion rate)
n = jumlah vektor yang diamati dj0 = Jarak Euclidean antara nilai tengah klaster jth dan keseluruhan nilai vektor rata-rata. dl = Jarak Euclidean antara vektor observasi lth dan keseluruhan contoh rata-rata vektor
2004 K-Means Fuzzy CMeans 2005 K-Means Fuzzy CMeans 2006 K-Means Fuzzy CMeans 2007 K-Means Fuzzy CMeans 2008 K-Means Fuzzy CMeans
SSE R2 263.7194 193.9716 0.5762 193.9716
icdrate
262.3952 195.2958 0.5733 195.2958
0.4267
SSB 281.111
SSW SSE R2 194.1835 0.5914 194.1835
icdrate 0.4086
281.111
194.1835 0.5914 194.1835
0.4086
SSB 439.1826
SSW 332.623
R2 0.5690
SSE 332.623
icdrate 0.4310
435.2313 336.5744 0.5639 336.5744
0.4361
SSB SSW SSE R2 225.8405 258.2303 0.4665 258.2303
icdrate 0.5335
221.5145 262.5563 0.4576 262.5563
0.5424
SSB SSW SSE R2 246.0227 266.9591 0.4796 266.9591
icdrate 0.5204
239.7071 273.2748 0.4673 273.2748
0.5327
SSB
SSW
0.4238
Analisa Metode Unsupervised Learning
Analisa Hasil Pengelompokan K-Means
Analisa Rasio Keuangan
Analisa Klaster 1 dan Klaster 2
K-Means Fuzzy C-Means Anggota Anggota Anggota Anggota Tahun Klaster 1 Klaster 2 Klaster 1 Klaster 2 2004 15 120 17 118 2005 19 116 19 116 2006 6 129 7 128 2007 16 119 24 111 2008 20 115 24 111
Metode
SSE
icdrate
Tahun Amatan K-Means Fuzzy C-Means K-Means Fuzzy C-Means 2004
193.9716
195.2958
0.4238
0.4267
2005
194.1835
194.1835
0.4086
0.4086
2006 2007
332.623 258.2303
336.5744 262.5563
0.4310 0.5335
0.4361 0.5424
2008
266.9591
273.2748
0.5204
0.5327
Semakin kecil nilai SSE, semakin bagus hasil klastering (Santosa, 2007). Semakin kecil nilai icdrate, semakin bagus hasil pengelompokan (Eviritt, 2001).
Metode K-Means Clustering Tahun
Anggota Anggota Klaster 1 Klaster 2
SSE
icdrate
2004
15
120
193.9716
0.4238
2005
19
116
194.1835
0.4086
2006
6
129
332.623
0.4310
2007 2008
16 20
119 115
258.2303 266.9591
0.5335 0.5204
Indikasi Financial Distress: - Beberapa tahun mengalami laba bersih (net income) operasi negatif (Whitaker 1999) - Selama dua tahun berturut-turut tidak melakukan pembayaran deviden (Lau 1987). - Analisis laporan keuangan dari perusahaan serta perbandingannya dengan perusahaan lain. (Foster 1986).
Klaster 1 • Contoh : PT Lion Metal Works Tbk. Perusahaan
current asset
total assets
X1 (Working Capital/Tota Assets)
Rp216,129,508,805
0.693032183
current liabilities
PT Lion Metal Rp183,763,364,091 Rp33,978,658,878 Works Tbk
retained earnings (appropriated) Rp4,668,000,000 Profit loss before tax Rp36,739,531,686
retained earning (unappropriated) Rp111,231,025,969
X2 (Retained Earning/Total 0.536248042 X3 (EBIT/Total Interest Expense Assets) Rp23,317,823,710 0.277876703 X4 (Total Equity / Total Equity Total Liabilities Total Liabilities) Rp169,869,656,190 Rp46,259,852,615 3.672075171 Sales total assets X5 (Sales/Total Rp179,568,434,429 Rp216,129,508,805 0.830837193
Analisa..
X1
• Jumlah aset > liabilitas menunjukkan perusahaan mampu membayar kewajiban jangka pendek dengan lancar. • X1 bernilai positif.
X2
• Retained Earnings cukup besar berarti perusahaan memiliki kelebihan pendapatan (earned surplus). • X2 bernilai positif
X3
• Profit before tax positif menandakan perusahaan mendapatkan keuntungan. • X3 bernilai positif
X4
• Ekuitas > liabilitas menunjukkan perusahaan mampu membayar semua kewajiban dengan lancar. • X4 bernilai positif.
X5
• Jumlah sales cukup besar walaupun lebih kecil daripada total assets. • X5 bernilai positif.
• Perusahaan tidak pernah memiliki nilai net income negatif selama lima tahun amatan dan selalu membayarkan dividen.
Kesimpulan.. • Indikator Financial Distress : • - Beberapa tahun mengalami laba bersih (net income) operasi negatif • - Selama dua tahun berturut-turut tidak melakukan pembayaran deviden • Klaster 1 merupakan klaster perusahaan yang tidak mengalami kondisi financial distress. Klaster 1 merupakan klaster non-financial distress.
Klaster 2 • Contoh PT Akasha Wira International Tbk Perusahaan
current asset
current liabilities
total assets
X1 (Working Capital/Tota Assets)
PT Akasha Wira International Tbk
Rp33,121
Rp96,346
Rp178,761
-0.353684529
retained earnings (appropriated) Rp1,072 Profit loss before tax -Rp151,986
retained earning (unappropriated) -Rp528,931
X2 (Retained Earning/Total Assets) -2.952875627
Interest Expense
X3 (EBIT/Total Assets)
Rp31,984
Total Equity
Total Liabilities
Rp67,106 Sales Rp131,549
Rp111,655 total assets Rp178,761
-0.671298549 X4 (Total Equity / Total Liabilities) 0.601012046 X5 (Sales/Total Assets) 0.735893176
Analisa..
X1
• Jumlah liabilitas > aset, menunjukkan perusahaan kesulitan membayar kewajiban jangka pendeknya dengan lancar. • X1 bernilai negatif
X2
• Retained Earnings negatif sebesar hutang yang dimanfaatkan perusahaan. • X2 bernilai negatif
X3
• Profit before tax negatif menandakan perusahaan tidak mampu menghasilkan laba dari aset. • X3 bernilai negatif
X4
• Ekuitas < liabilitas menunjukkan perusahaan kesulitan membayar semua kewajiban dengan lancar. • X4 bernilai negatif.
X5
• Jumlah sales > total assets namun tetap merugi. Hasil sales digunakan untuk melunasi biaya operasional lainnya. • X5 bernilai positif.
• Perusahaan mengalami net income negatif selama lima tahun amatan (2004 hingga 2008). • Perusahaan tidak membayar dividennya selama tiga tahun.
Kesimpulan.. • Indikator Financial Distress: • - Beberapa tahun mengalami laba bersih (net income) operasi negatif • - Selama dua tahun berturut-turut tidak melakukan pembayaran deviden
• Klaster 2 merupakan klaster perusahaan yang mengalami kondisi financial distress. Klaster 1 merupakan klaster financial distress.
Analisa Rasio Keuangan Tahun 2004 Analisa Rasio Keuangan Tahun 2005 Analisa Rasio Keuangan Tahun 2006
Analisa Rasio Keuangan Tahun 2007 Analisa Rasio Keuangan Tahun 2008
Analisa Rasio Keuangan Tahun 2004 ahu • Hasil plot clustering X1 tahun 2004
Klaster 1 : bintang biru Klaster 2 : lingkaran merah
X1 (current assets – current liabilities) / total assets ini merupakan rasio likuiditas
Rasio likuiditas menunjukkan kemampuan perusahaan memenuhi kewajiban jangka pendeknya. Semakin tinggi nilai rasio-nya semakin bagus karena berarti perusahaan mampu membayar hutang jangka pendeknya dengan lancar (Fess, 1984).
Pada klaster 1, jumlah anggota sebesar 15 perusahaan menufaktur terbuka dengan nilai variabel X1 berkisar antara 0 hingga mendekati 0.7. Nilai terendah yakni 0.068998 (PT Pyridam Farma Tbk) sedangkan nilai tertinggi yakni 0.661496 (PT Lion Metal Works Tbk).
Pada klaster 2, jumlah anggotanya sebesar 120 perusahaan manufaktur dengan nilai variabel berkisar diantara nilai -2.5 hingga 0.5. Nilai terendah yakni 2.43954 (PT Asia Pacific Fibers Tbk) dan nilai tertinggi yakni 0.559806 (PT Resource Alam Indonesia Tbk).
klaster 1 merupakan kelompok perusahaan-perusahaan manufaktur yang lebih mampu membayar hutang jangka pendeknya dengan lancar serta indikasi bahwa perusahaan tersebut tidak terkena kondisi kesulitan keuangan dibandingkan klaster 2.
X2 (retained earnings / total assets) ini termasuk rasio leverage. Rasio leverage menunjukkan seberapa besar kebutuhan dana perusahaan dibelanjai dengan hutang. Perusahaan dengan nilai RE tinggi, relatif terhadap TA, telah membiayai aset mereka melalui retensi keuntungan dan belum banyak memanfaatkan hutang (Altman, 2000).
Semakin tinggi nilai RE/TA semakin baik dan semakin rendah nilai RE/TA semakin buruk.
Pada klaster 1, nilai X2 memiliki rentang dari 0 hingga mendekati 0,7. Nilai terendah adalah 0,007931 (PT Allbond Makmur Usaha Tbk) dan nilai tertinggi adalah 0,699483 (PT Delta Djakarta Tbk). Nilai ini menunjukkan perbandingan antara retained earnings dengan total assets perusahaan. Pada klaster 2, nilai X2 memiliki rentang nilai dari mendekati -2 hingga 1 dengan beberapa nilai dibawah 0. Nilai terendah adalah -1,99196 (PT Asia Pacific Fibers Tbk) dan nilai tertinggi adalah 0,87007 (PT Panasia Indosyntec Tbk). Sehingga dapat disimpulkan nilai klaster 2 lebih rendah daripada nilai klaster 1. Sebanyak 42 perusahaan di klaster 2 memiliki nilai minus, sehingga bila dibandingkan dengan klaster 1, klaster 2 bernilai lebih rendah. Klaster 1 merupakan kelompok perusahaan-perusahaan manufaktur yang membiayai asset perusahaan dengan retensi laba serta indikasi bahwa perusahaan tersebut tidak terkena kondisi kesulitan keuangan dibandingkan klaster 2.
X3 (Earnings Before Interest and Taxes / Total Assets) ini termasuk rasio fixed assets turnover.
Rasio Daya Laba Dasar (EBIT/TA) mencoba mengukur efektivitas perusahaan dalam memanfaatkan seluruh sumber dayanya, yang menunjukkan rentabilitas ekonomi perusahaan (Agnes Sawir, 2003). Sembiring (2010) dalam hasil penelitiannya menyatakan bahwa semakin tinggi rasio EBIT/TA suatu perusahaan maka semakin besar kemungkinan perusahaan tersebut terhindar dari kondisi financial distress.
Sehingga semakin tinggi nilai rasio X3 ini semakin baik dan semakin rendah nilainya semakin buruk.
Pada klaster 1, nilai X3 memiliki rentang nilai dari 0 hingga mendekati 0.42. Nilai terendah yakni 0.016687 diperoleh PT Allbond Makmur Usaha Tbk (sebelumnya PT Sanex Qianjiang Motor International Tbk), sedangkan nilai tertinggi yakni 0.41758 diperoleh PT Merck Tbk. Pada klaster 2, nilai X3 memiliki rentang nilai dari -1.44 hingga mendekati 1. Nilai terendah yakni -1.4308 diperoleh PT Akasha Wira International Tbk (sebelumnya PT Ades Waters Indonesia Tbk), sedangkan nilai tertinggi yakni 0.575486 diperoleh PT Unilever Indonesia Tbk. Terdapat 33 perusahaan bernilai minus.
Klaster 1 memiliki nilai yang lebih tinggi berarti perusahaan semakin efektif dalam memanfaatkan seluruh sumber dayanya dalam pencapaian laba sehingga semakin rendah terjadi kondisi financial distress sedangkan klaster 2 merupakan kelompok perusahaan yang memiliki kemungkinan besar terkena kondisi financial distress.
Variabel X4 (book value of total equity / book value of total debt) menunjukkan berapa banyak aset perusahaan dapat mengalami penurunan nilai (diukur dengan nilai pasar ekuitas ditambah hutang) sebelum kewajiban (passiva) melebihi aset dan perusahaan menjadi bangkrut.
Semakin tinggi nilai rasio X4 ini semakin baik, semakin rendah nilainya semakin buruk.
Pada klaster 1, nilai variabel X4 berkisar antara 3 hingga mendekati nilai 10. Nilai terendah yakni 3,317326 diperoleh PT Merck Tbk, sedangkan nilai tertinggi yakni 9,222684 diperoleh PT Aneka Kemasindo Utama Tbk.
Pada klaster 2, nilainya berkisar antara -0.7 hingga mendekati 3. Nilai terendah yakni -0,7717 diperoleh oleh PT Sekar Laut Tbk, sedangkan nilai tertinggi yakni 2,844734 diperoleh oleh PT DaryaVaria Laboratoria Tbk.
Klaster 1 merupakan kelompok perusahaan yang tidak banyak membiayai operasionalnya dengan hutan sedangkan klaster 2 merupakan kelompok perusahaan agresif dalam menggunakan hutang yang akan berdampak melemahnya kondisi keuangan bila hutang yang dimiliki terlalu banyak.
X5 merupakan rasio Sales / Total Assets (S/TA) yang merupakan rasio assets turnover dalam rasio aktivitas. Rasio ini menunjukkan efektivitas penggunaan seluruh harta perusahaan dalam rangka menghasilkan penjualan atau menggambarkan berapa rupiah penjualan bersih yang dapat dihasilkan oleh setiap rupiah yang diinvestasikan dalam bentuk harta perusahaan. Jika perputarannya lambat, ini menunjukkan bahwa aktiva yang dimiliki terlalu besar dibanding dengan kemampuan untuk menjual (Agnes Sawir 2003 : 17). Semakin tinggi rasio S/TA, semakin kecil kemungkinan perusahaan mengalami kondisi financial distress. Semakin tinggi semakin baik, semakin rendah semakin buruk.
Pada klaster 1, nilai variabel X5 berkisar antara 0.4 hingga mendekati 2. Nilai terendah yakni 0,4832307 diperoleh PT Pyridam Farma Tbk, sedangkan nilai tertinggi yakni 1,862363 diperoleh PT Merck Tbk. Pada klaster 2, nilai variabel X5 berkisar antara 0 hingga mendekati 3. Nilai terendah yakni 0.00168 diperoleh PT Indo Acidatama Tbk (sebelumnya: PT Sarasa Nugraha Tbk), sedangkan nilai tertinggi yakni 2.756647 diperoleh PT Fast Food Indonesia Tbk. Terdapat 19 perusahaan pada klaster 2 yang memiliki nilai lebih rendah daripada nilai terendah pada klaster 1 dan pada klaster 2 terdapat 13 perusahaan yang bernilai lebih tinggi daripada klaster 1
Klaster 1 merupakan kelompok perusahaan yang lebih efektif menggunakan asetnya untuk menghasilkan laba dibandingkan klaster 2.
Analisa Rasio Setiap Tahun Klaster 1 Analisa Rasio (non financial per Tahun distress) 2004 v 2005 v 2006 v 2007 v 2008 v
Klaster 2 (financial distress) financial distrees financial distrees financial distrees financial distrees financial distrees
Kesimpulan
1. Metode K-Means dengan Fuzzy C-Means setelah dibandingkan dengan mempertimbangkan nilai SSE dan icdrate, didapatkan metode K-Means sebagai metode terbaik. 2. Hasil pengelompokan dengan metode K-Means Clustering didapatkan pada tahun 2004, jumlah anggota klaster 1 sebanyak 15 dan klaster 2 sebanyak 120 perusahaan. Pada tahun 2005, jumlah anggota klaster 1 sebanyak 19 dan klaster 2 sebanyak 116 perusahaan. Pada tahun 2006, jumlah anggota klaster 1 sebanyak 6 perusahaan dan klaster 2 sebanyak 129 perusahaan. Pada tahun 2007, jumlah anggota klaster 1 sebanyak 16 perusahaan dan klaster 2 sebanyak 119 perusahaan. Pada tahun 2008, jumlah anggota klaster 1 sebanyak 20 perusahaan dan klaster 2 sebanyak 115 perusahaan. Keanggotaan masingmasing klaster tiap periode terlampir.
3. - Klaster 1 merupakan kelompok perusahaan manufaktur terbuka dengan kondisi non financial distress. Kelompok ini mempunyai jumlah anggota paling sedikit dan memiliki catatan nilai rasio-rasio positif serta nilai EBITDA positif. - Klaster 2 merupakan kelompok perusahaan manufaktur terbuka yang mengalami kondisi financial distress. Kelompok ini mempunyai kelompok dengan jumlah anggota terbanyak dan memiliki catatan nilai rasio-rasio negatif serta nilai EBITDA minus (negatif).
4. Perusahaan-perusahaan yang secara konsisten termasuk dalam klaster 1 dan klaster 2 selama periode amatan (20042008) terlampir.
Saran.. 1. Bagi Bursa Efek Indonesia (BEI) perlu dilakukan pendataan ulang serta melengkapi data laporan keuangan perusahaan di website maupun di arsip. Sejak BES (Bursa Efek Surabaya) dan BEJ (Bursa Efek Jakarta) merger menjadi satu pada tahun 2007, banyak data hilang dari server maupun perpustakaan BEI sehingga membuat penulis dan masyarakat kesulitan mendapatkan data-data keuangan dan pendukung. Data keuangan yang hilang tersebut sebagian besar dijual oleh pihak ketiga dan mengharuskan kompensasi materiil bila ingin mendapatkan data serta pihak BEI seakan menutup mata atas kejadian jual beli data.
2. Untuk penelitian yang akan datang, dengan bahasan yang sama sebaiknya mencoba memprediksi kondisi financial distress dengan pendekatan supervised learning, namun hal ini dapat tercapai apabila ada data historis yang akurat ataupun diadakan pra-penelitian terlebih dahulu. Dapat pula menggunakan metode clustering yang lainnya.
DAFTAR PUSTAKA • • • •
• • • • • •
Agusta, Yudi, 2007, “K-Means, Penerapan, Permasalahan dan Metode Terkait”, Jurnal Sistem dan Informatika, Vol. 3. Altman, E.I, Max L. Heine, 2000, “Predicting Financial Distres of Companies : Revisiting The ZScore and ZETA® Models”, Journal of Finance Altman, E.I., 1968, "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", Journal of Finance, Vol. 23, pp 589 – 609 Altman, E.I., R.G. Haldeman, dan P. Narayanan, 1997, "Zeta Analysis, a New Model for Identifying Bankruptcy Risk of Corporation", Journal of Banking and Finance, Vol. 1, pp 29 – 54 Dun & Bradstreet, 1994, “The Failure Record” and annually. Fisher, L., 1959, “Determinants of Risk Premiums on Corporate Bonds”, Journal of Political Economy, June Foster, George. 1986. “Financial Statement Analysis”. Prentice Hall, Englewood Cliffs, New Jersey. Hadibroto, S, Dachnial Lubis, Sudrajat Sukadam, 1994, “Dasar-dasar Akuntansi, Pengantar Ilmu Akuntansi”, Edisi Revisi Cetakan Pertama, Pustaka LP3ES Indonesia, Jakarta. Han, J. dan Kamber, M., 2006, “Data mining: Concepts and Techniques (2nd)”, Elsevier Inc. Helfert, Erich A., 1991, “Analisis Laporan Keuangan”, Edisi Ketujuh, Penerbit Erlangga, Jakarta.
• • •
•
•
• • •
•
Helfert, Erich A., 1997, “Teknik Analisa Keuangan: Petunjuk Praktis untuk Mengelola dan Mengukur Kinerja Perusahaan”, Edisi Kedelapan, Erlangga, Jakarta. Husnan, Dr.Suad dan dra. Enny Pudjiastuti, MBA Akt., 1994, “Dasar-Dasar Manajemen Keuangan”, Unit Penerbit dan Percetakan AMP YKPN, Yogyakarta. Irandha, Irma P.W., 2008, “Analisa Keluarga Miskin dengan Menggunakan Metode Fuzzy CMeans Clustering”, Paper Tugas Akhir D4 Teknik Informatika. Politeknik Elektronika Negeri Surabaya, Surabaya Irawan M. Isa, Satriyanto Edi, 2008, "Virtual Pointer Untuk Identifikasi Isyarat Tangan Sebagai Pengendali Gerakan Robot Secara Real-Time", Bidang Ilmu Komputer – Jurusan Matematika FMIPA – Institut Teknologi Sepuluh Nopember Surabaya, Surabaya. Lailiya, Arinda Rachmi, 2010, “Pengelompokkan Kabupaten/Kota di Jawa Timur Berdasarkan Kesamaan Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran Terbuka dengan Metode Hirarki dan Non Hirarki”, Tugas Akhir tidak diterbitkan, Institut Teknologi Sepuluh Nopember Surabaya, Surabaya Lasher, William R., 1997, “Practical Financial Management”, West Publishing Company, St Paul, Minneapolis Lau, A.H, 1997, “A Five State Financial distress Prediction Model”, Journal of Accounting Research Volume 25: 127-128 Luciana Spica Almilia & Kristijadi, 2003, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Perusahaan Manufaktur yang Terdaftar di Bursa Efek Jakarta", JAAI, Desember, Vol.7 No.2, pp 1-28 Mahiarestya Widiaputri, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress pada Perusahaan Manufaktur yang Go Public", Tugas Akhir Jurusan Akuntansi Fakultas Ekonomi Universitas Pembangunan Nasional “Veteran” Jawa Timur, pp 62-99
• • •
• •
• • • •
• • •
Mhd Hasymi, 2007, "Analisis Penyebab Kesulitan Keuangan (Financial distress) Studi Kasus pada Perusahaan Bidang Konstruksi PT. X", Tesis S2 Magister Sains Akuntansi Universitas Diponegoro Semarang, November, pp 33-54 Mingoti, Sueli A. & Lima, Joab O., 2007, “Comparing SOM Neural Network with Fuzzy C-Means, K-Means and Traditional Hierarchical Clustering Algorithms”, European Journal of Operational Research 174 : 17421759 Pungky Rionaldy, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Pada Perusahaan Manufaktur yang Terdaftar Di Bursa Efek Indonesia", Skripsi Jurusan Akuntansi Fakultas Ekonomi Universitas Pembangunan Nasional “ Veteran “ Jawa Timur, Mei, pp 81 – 112 Purnanandam, Amiyatosh., 2008, "Financial distress and Corporate Risk Management: Theory and Evidence", Journal of Financial Economics 87, pp 706-739 Qiu, Dingxi, 2010, "A Comparative Study of K-Means Algortih and the Normal Mixture Model for Clustering: Bivariate Homoscedastic Case", Journal of Statistical Planning and Inference, Elsevier B.V, Issue 140, pp 1701-1711 Santosa, Budi, 2007, “Data mining Terapan dengan MATLAB”, Edisi Pertama, Graha Ilmu, Yogyakarta Santosa, Budi, 2007, “DATA MINING: Teknik Pemanfaatan Data untuk Keperluan Bisnis”, Edisi Pertama, Graha Ilmu, Yogyakarta Sawir, Agnes, 2003, “Analisis Kinerja Keuangan dan Perencanaan Keuangan Perusahaan”, Cetakan Ketiga, Jakarta: PT Gramedia Pustaka Utama Wahyuni, Febriana Santi, 2009, “Penggunaan Cluster-Based Sampling Untuk Penggalian Kaidah Asosiasi Multi Obyektif”, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Institut Teknologi Nasional-Malang Whitaker, R. B, 1999, "The Early Stages of Financial distress". Journal of Economics and Finance, Volume 23: 123-133. http://www.investopedia.com/articles/fundamental/04/021104.asp#ixzz1hoUCmj5q diakses pada tanggal 23 September 2011 http://www.idx.co.id diakses pada tanggal 18 April 2011
TERIMA KASIH
Pergerakan Klaster 1 3 2.5 2 1.5 1 Klaster 1 2008 0.5 0
Klaster 1 2007 Klaster 1 2006 Klaster 1 2005 Klaster 1 2004
Perusahaan Tahun 2004 Perusahaan Tahun 2005 Perusahaan Tahun 2006 Perusahaan Tahun 2007 Perusahaan Tahun 2008 PT Aneka Kemasindo PT Aneka Kemasindo PT Intanwijaya PT Betonjaya Manunggal PT Asahimas Flat Glass Utama Tbk Utama Tbk Internasional Tbk Tbk Tbk PT Betonjaya Manunggal PT Asahimas Flat Glass PT Darya-Varia PT Betonjaya PT Jaya Pari Steel Tbk Tbk Tbk Laboratoria Tbk Manunggal Tbk PT Betonjaya Manunggal PT Eterindo Wahanatama PT Citra Tubindo Tbk PT Mustika Ratu Tbk PT Delta Djakarta Tbk Tbk Tbk PT Duta Pertiwi PT Delta Djakarta Tbk PT Delta Djakarta Tbk PT Sierad Produce Tbk PT Sumi Indo Kabel Tbk Nusantara Tbk PT Duta Pertiwi PT Duta Pertiwi PT Allbond Makmur PT Intanwijaya PT Darya-Varia Nusantara Tbk Nusantara Tbk Usaha Tbk Internasional Tbk Laboratoria Tbk PT Ekadharma PT Eterindo Wahanatama PT Mandom Indonesia PT Eterindo PT Jaya Pari Steel Tbk International Tbk Tbk Tbk Wahanatama Tbk PT Intanwijaya PT Intanwijaya PT Kedaung Indah Can PT Sumi Indo Kabel Tbk Internasional Tbk Internasional Tbk Tbk PT Intanwijaya PT Lion Metal Works Tbk PT Jaya Pari Steel Tbk PT Kalbe Farma Tbk Internasional Tbk PT Merck Tbk PT Lion Metal Works Tbk PT Lion Metal Works Tbk PT Indocement Tunggal PT Mustika Ratu Tbk PT Langgeng Makmur PT Merck Tbk PT Kedaung Indah Can PT Pyridam Farma Tbk PT Merck Tbk PT Mustika Ratu Tbk PT Kalbe Farma Tbk PT Roda Vivatex Tbk PT Mustika Ratu Tbk PT Sierad Produce Tbk PT Lion Metal Works PT Allbond Makmur PT Semen Gresik PT Pyridam Farma Tbk PT Merck Tbk Usaha Tbk (Persero) Tbk PT Mandom Indonesia PT Roda Vivatex Tbk PT Sugi Samapersada Tbk PT Mustika Ratu Tbk Tbk PT Tempo Scan Pacific PT Mandom Indonesia PT Sierad Produce Tbk PT Roda Vivatex Tbk Tbk Tbk PT Allbond Makmur PT Tempo Scan Pacific PT Sierad Produce Tbk Usaha Tbk Tbk PT Sugi Samapersada Tbk PT Semen Gresik PT Taisho PT Mandom Indonesia Pharmaceutical Tbk Indonesia Tbk PT Tempo Scan Pacific PT Sugi Samapersada PT Mandom Indonesia PT Tempo Scan Pacific
