PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

Cynthia G.Y.P
Matematika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia cynthia_gyp@yahoo.com

Abstrak Suatu perusahaan didirikan bukan untuk mengalami kebangkrutan, untuk itu diperlukan suatu alat yang dapat digunakan sebagai sistem peringatan dini. Oleh karena itu dalam paper ini mengangkat Masalah tentang bagaimana memprediksi kebangkrutan perusahaan yang disebabkan oleh kesulitan keuangan dengan menggunakan analisa data laporan keuangan selama beberapa periode tertentu yang nantinya terangkum dalam rasio keuangan perusahaan. Metode yang digunakan untuk mengolah data rasio keuangan sehingga nantinya dapat memprediksi keadaan perusahaan ke depan adalah Jaringan Syaraf Tiruan (Artificial Neural network) dengan menggunakan fungsi training algoritma Backpropagation. Dengan fungsi training tersebut nantinya didapatkan model perusahaan yang mengalami kebangkrutan dan yang tidak mengalami kebangkrutan sehingga model tersebut dapat digunakan untuk memprediksi kondisi perusahaan yang sejenis untuk beberapa periode ke depan. Dalam penerapannya terbukti algoritma Backpropagation mampu memprediksi kebangkrutan perusahaan akibat kesulitan keuangan dengan tingkat keakuratan mencapai lebih dari sama dengan 80%. Kata Kunci : Prediksi Kebangkrutan Perusahaan, Deteksi Kesulitan Keuangan, Jaringan Syaraf Tiruan, Algoritma Backpropagation, Financial Distress Detection

1. 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 sebagai awal kebangkrutan. Tentunya kesulitan keuangan di Indonesia baik dalam perusahaan skala kecil, menengah, ataupun besar menjadi momok bagi seluruh elemen baik itu pemilik perusahaan maupun karyawan yang bekerja di dalamnya. Sedangkan 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. Dimana ketika sebuah perusahaan itu bangkrut maka jumlah pengangguran di Indonesia akan semakin banyak, sehingga perekonomian di Indonesia tidak kunjung membaik. Dalam proses identifikasi dibutuhkan suatu metode untuk mempelajari model perusahaan yang mengalami kebangkrutan dan perusahaan yang tidak mengalami kebangkrutan, yaitu dengan jaringan syaraf tiruan sepervised learning (pembelajaran terawasi) sehingga dipilih metode

JST - Backpropagation. Jaringan Syaraf Tiruan (JST) merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf tiruan memiliki kemampuan untuk mempelajari dependensi secara langsung dari data historis tanpa perlu memilih model yang cocok sehingga dapat memberikan keputusan terhadap data yang belum pernah di pelajari.
2. Data dan Metode ANN-Backpropagation 2.1 Rasio Keuangan

Analisis laporan keuangan merupakan alat yang sangat penting untuk mengetahui posisi keuangan perusahaan serta hasil-hasil yang telah dicapai sehubungan dengan pemilihan strategi perusahaan yang telah dilaksanakan. Rasio keuangan dapat digunakan untuk membantu mengevaluasi laporan keuangan, yaitu untuk mengungkapkan kekuatan dan kelemahan relatif suatu perusahaan dibandingkan dengan perusahaan lain dalam 1

4. Arsitektur layer JST – Backprpagation yang digunakan Algoritma JST Backpropagation yaitu : Step-0 Inisialisasi nilai bobot dengan nilai acak kecil Not bankrupt 1 Bankrupt 0 2 . 3. rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan laba ditahan dari total aktiva perusahaan. pada metode pembelajaran tak terawasi ini tidak memerlukan target keluaran. Rasio keuangan yang digunakan adalah rasio keuangan model altman yaitu : 1. Setelah proses training. Variasi backpropagation telah banyak dikembangkan untuk meningkatkan kecepatan proses training. Metode yang dipakai dalam proses belajar tak terawasi ini antara lain Kohonen Self Organizing Maps. Gambar 1. Rasio ini mencerminkan efisiensi manajemen dalam menggunakan keseluruhan aktiva perusahaan untuk menghasilkan penjualan dan mendapatkan laba. net yang dilatih dapat menghasilkan output sangat cepat. Sinyal dilewatkan dari satu neuron ke neuron yang lain melalui suatu hubungan tertentu. 2. Pembelajaran tak terawasi (Unsupervised Learning). 5. Pada metode ini. Struktur dasar jaringan syaraf Gambar 2. 3. Meskipun proses training lambat. X1 X2 X3 X4 X5 Gambar 3. dan untuk menunjukkan apakah posisi keuangan membaik atau memburuk selama suatu waktu. perhitungan error propagasi balik ( backpropagation of error ) yang bersangkutan dan pembaharuan ( adjustment ) bobot dan bias. X5 = Sales to Total Assets. X3 = Earning Before Interest and tax to Total Assest. diantaranya Delta Rule. Pengolah informasi terdiri dari elemen-elemen sederhana yang disebut neuron. yaitu: feedforward dari pola input training. 2. Ada beberapa metode dalam proses belajar terawasi. Rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan laba dari aktiva perusahaan sebelum pembayaran bunga dan pajak.2 Artificial Neural Network Jaringan Syaraf Tiruan (artificial neural network) atau disingkat JST adalah salah satu cabang dari ilmu kecerdasan buatan dan merupakan cara atau alat untuk memecahkan masalah di bidang-bidang pengelompokan dan pengenalan pola. X2 = Retained Earnings to Total Assets. Pembelajaran terawasi (Supervised Learning). dengan berdasarkan asumsi-asumsi: 1. Tiap hubungan mempunyai ukuran tersendiri yang disebut bobot. rasio ini menunjukkan kemampuan perusahaan untuk memenuhi kewajiban-kewajiban dari nilai pasar modal sendiri (saham biasa). Nilai pasar modal sendiri diperoleh dengan mengalikan jumlah lembar saham yang biasa beredar dengan harga pasar per-lembar saham biasa. struktur sederhana sebuah neuron Pada proses pembelajaran dalam JST terdapat 2 kategori yaitu : 1. aplikasi jaringan hanya meliputi perhitungan feedforward.3 Algoritma Backpropagation Training jaringan dengan backpropagation meliputi tiga tahap. Backpropagation atau Generalized Delta Rule dan Counterpropagation. Jaringan syaraf tiruan telah dikembangkan dengan menggunakan model matematis untuk menirukan cara kerja jaringan syaraf biologis.industri yang sama. X4 = Market Value of Equity to Book Value of Debt. Tiap neuron mempergunakan fungsi aktivasi terhadap masukan yang diterimannya untuk menentukan sinyal keluaran. 2. 2. yaitu jika keluaran yang diharapkan telah diketahui sebelumnya. rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan modal kerja bersih dari total aktiva yang dimilikinya. tidak dapat ditentukan seperti apakah hasil yang diharapkan selama proses pembelajaran. X1 = Networking Capital to Total Assets. 4. 2.

dan layer output. training backpropagation.m ) menerima pola target yang bersesuaian dengan pola input dan kemudian hitung error informasi : δ k = (t k − y k ) f ' ( y _ ink ) Kemudian hitung koreksi nilai bobot yang akan digunakan untuk memperbaharui nilai bobot wjk. Salah satu tipe fungsi aktivasi yang paling banyak digunakan adalah fungsi sigmoid biner.…. j=1.. Untuk proses training data set terdiri dari 63 Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung error informasi : δ j = δ _ in j f ' ( z _ in j ) Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharui nilai υij : Δυij = αδ j xi dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui υ oj : Δυ oj = αδ j Step-8 Setiap unit output ( Yk. Untuk efesiensi perhitungan. turunan dari fungsi aktivasi tersebut juga mudah dihitung. dan update bobot.…. dan 1 output node. j=1. 5 jumlah node hidden. j=1. Setiap node input memiliki koneksi bobot pada masingmasing hidden layer yang ada dan setiap hidden layer memiliki koneksi bobot yang mengarah pada satu output node.2 Perancangan Sistem Arsitektur layer yang akan digunakan adalah 3 layer network terdiri dari layer input.. k=1..m ) hitung nilai input dengan menggunakan nilai bobot-nya : Step-9 Uji apakah kondisi berhenti sudah dipenuhi? Fungsi aktivasi untuk jaringan backpropagation memiliki beberapa karakteristik yang penting.….Step-1 Selama kondisi berhenti masih belum terpenuhi. Fungsi aktivasi tersebut kontinu. 3. Arsitektur layer terdiri dari 5 input node. : Δw jk = αδ k z j Δw0 k = αδ k Hitung koreksi nilai bias yang akan digunakan untuk memperbaharui nilai w0k : dan nilai δ k dikirim ke unit pada layer sebelumnya Step-7 Setiap unit dalam ( Zj.…. k=1. dapat diturunkan dan tidak turun secara monoton.p ) hitung delta input yang berasal dari unit pada layer di atasnya : δ _ in j = ∑ δ k w jk k =1 m 3.p ) update bias dan bobotnya ( i=0. k=1. i=1. Algoritma Backpropagation yang digunakan terdiri dari 3 proses utama yaitu proses feedforward. kerjakan step 2 – 9 Step-2 Untuk setiap pasangan pelatihan (training) kerjakan step 3 – 8 Step-3 Setiap unit input (Xi.m ) update bias dan bobotnya ( j=0...n) : υ ij (new) = υ ij (old ) + Δυ ij z _ in j = υ0 j + ∑ xi υij i =1 n Selanjutnya hitung nilai output dengan menggunakan fungsi aktivasi yang dipilih : zj = f ( z_inj ) Hasil fungsi tersebut dikirim ke semua unit pada layer berikutnya (unit output) Step-5 Untuk tiap unit output ( Yk.…. 1 hidden layer.…..p ) hitung nilai input dengan menggunakan nilai bobotnya : w jk (new) = w jk (old ) + Δw jk Setiap unit hidden ( Zj.1 Analisis Sistem Telah disinggung pada pembahasan sebelumnya bahwa perangkat lunak yang akan dibuat berkaitan dengan laporan keuangan sebuah perusahaan.p ) : 3 .. Analisis Perancangan dan Implementasi Sistem 3.1) dan difenisikan sebagai berikut: f1 (x ) = 1 1 + exp(− x ) Dan dengan dungsi turunan : f1 ' ( x ) = f1 ( x )[1 − f 1 ( x )] y _ ink = w0 k + ∑ z j w jk j =1 p Kemudian hitung nilai output dengan menggunakan fungsi aktifasi : y k = f ( y _ in k ) Step-6 Setiap unit output ( Yk.n) menerima sinyal input xi dan menyebarkan sinyal itu ke seluruh unit pada layer berikutnya (hidden layer) Step-4 Setiap unit dalam ( Zj. yang mempunyai interval (0 . Dimana Layer tersebut memiliki 5 input nodes 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 Memiliki single output node berupa hasil akhir dalam menentukan peramalan untuk setiap kondisi perusahaan berdasarkan analisa rasio keuangannya.... Dimana nanti perangkat lunak yang akan dibuat memiliki fungsi untuk mendeteksi kebangkrutan perusahaan yang disebabkan oleh kesulitan keuangan (financial distress).

Data rasio keuangan perusahaan yang telah mengalami kebangkrutan. 3.4 Mean Square Error(MSE) Nilai mean square error (MSE) pada satu siklus pelatihan (langkah 2 – 9. Data rasio keuangan perusahaan yang tidak mengalami kebangkrutan. Grafik MSE pada program menggambarkan kestabilan error yang terjadi pada proses training. Untuk melakukan pengujian testing JST Backpropagation dataset yang dipersiapkan antara lain dengan 13 record data dan 5 field data. Sebelum melakukan implementasi JST. update bobot. semakin kecil error yang terjadi maka grafik yang 4 . 2. selain itu dapat juga menggunakan deltaMSE untuk mengetahui nilai error yang terjadi sehingga tingkat kevalidan program meningkat. dan tes kondisi berhenti. Proses training untuk mendapatkan bobot yang sesuai membutuhkan nilai alpha = 0. Data testing. hanya terdapat 2 output prediksi yaitu 0 dan 1 atau dengan kata lain bangkrut atau tidak bangkrut. kekurangan dan kelebihan perangkat perangkat lunak tersebut ditinjau dari segi sistem yaitu. user friendly. Kemudian dengan data tersebut diproses menggunakan bobot awal yang di-generate secara random selama jumlah epoch (satuan putaran training data) memenuhi untuk mendapatkan error yang stabil dan semakin kecil serta bobot baru yang nantinya digunakan pada proses testing data. 2. 5. diperlukan proses inisialisasi bobot dan parameter pelatihan yang akan digunakan acuan dalam penghitungan selanjutnya. Dari hasil uji coba didapat data sebagai berikut : Variabel Alpha Epoch Data Training Data Testing Jml 0.nilai masukan) rata-rata dari seluruh rekord (tupple) yang dipresentasikan ke JST dan dirumuskan sebagai: MSE = ∑ error 2 Jumlah Re cord Semakin kecil MSE. dimana seluruh rekord dipresentasikan satu kali) adalah nilai kesalahan error = nilai keluaran .perusahaan dan untuk proses testing data set terdiri dari 13 Perusahaan. yaitu data yang digunakan untuk proses training algoritma JST – Backpropagation dan berfungsi untuk menciptakan model perusahaan yang didefinisikan oleh bobot yang nantinya terbentuk. algoritma dapat memprediksi semua kondisi perusahaan dengan benar.mdb) dengan beberapa inputan parameter seperti jumlah maksimal maksimal epoh dan nilai alpha. maka selanjutnya tahap implementasi algoritma JST Backpropagation dengan mengambil data rasio keuangan dari database yang telah ada. 2. Data training. Uji Coba dan Pembahasan Proses testing dilakukan dengan menggunakan hasil pelatihan JST yang disimpan kedalam bentuk file (*. Hal ini terangkum dalam fungsi inisialisasi bobot awal. Pada proses inisialisasi bobot awal. pelatihan JST ditujukan untuk memperkecil MSE dari satu siklus ke siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan (epsilon). Maka. Berdasarkan jenis perusahaannya data yang digunakan dalam program ini terdiri dari 2 jenis yaitu : 1.5 1000 62 13 Keterangan Jml Hasil Prediksi 13 sesuai Data Hasil Prediksi 13 sesuai Kenyataan Tabel 1:Tabel hasil uji coba data testing metode JST-Backpropagation Hal ini disebabkan sedikitnya data training yang digunakan untuk mendapatkan model antara perusahaan yang mengalami kebangkrutan dan perusahaan yang tidak mengalami kebangkrutan sehingga pada uji coba data testing. digunakan untuk mengetahui model perusahaan yang bangkrut. 4. proses feedforward. Berdasarkan fungsinya data yang digunakan dalam program ini terdiri dari 2 jenis yaitu : 1. JST semakin kecil kesalahannya dalam memprediksi kelas dari rekord yang baru. Setelah bobot awal di-inisialisasi.5 dan epoch = 1000. dapat diperoleh kesimpulan sebagai berikut: 1. Kelebihan : dapat memprediksi situasi perusahaan ke depan tergantung dari lamanya durasi laporan keuangan perusahaan yang diambil sampel.3 Implementasi Sistem Pada JST Backpropagation digunakan untuk aplikasi training meliputi inisialisasi bobot training. bobot yang digunakan adalah bobot secara acak antara 0 sampai 1. 3. Kekurangan : masih kurang mendetail. yaitu data yang digunakan untuk mengecek kevalidan bobot baru yang telah dibentuk apakah telah mampu memprediksi kondisi perusahaan. Kesimpulan dan Saran Dari implementasi dan uji coba perangkat lunak deteksi kebangkrutan perusahaan menggunakan JST Backpropagation. digunakan untuk mengetahui model perusahaan yang tidak bangkrut.

Revised Edition. Graduate School Management. School of Information Technology. “Neuro-genetic Approach for Bankruptcy Prediction:A Comparison to Back-propagation Algorithms”. Jadi dengan kelima rasio model altman tersebut telah dapat memprediksi kondisi perusahaan ke depan. Djoko. Babro. Korea Advanced Institute of Science and Technology. Athens. “Artificial Intelligence in Financial Distress Prediction”. “Studi Tentang Analisis Laporan Keuangan Secara Elektronik”. [7] Yu-Chiang Hu. S. [4] Kumar. (2006). Jakarta:Departemen Keuangan Republik Indonesia. ada beberapa saran yang perlu dipertimbangkan dalam pengembangan tugas akhir ini. Awal kebangkrutan perusahaan disebabkan oleh kesulitan keuangan yang digambarkan pada program ini. X2 = Retained Earnings to Total Assets c. 3. United States of America:McGraw-Hill company. sehingga kedepannya dapat dikembangkan dengan menggunakan analisa sistem dan pasar. Journal of Computational Intelligence Research . X1 = Networking Capital to Total Assets b. ”Intelligent Information System within Bussiness : Bankruptcy Predictions using Neural Networks”. Program masih belum bisa menganalisa kebangkrutan secara detail sehingga belum bisa memberikan solusi terhadap kondisi perusahaan yang ada saat ini. (1996).Greece. A study of US. 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. X4 = Market Value of Equity to Book Value of Debt e. and Japan Retail Performance. (2005). Kyung-shik. “Developing Financial Distress Prediction Models”. 2. X3 = Earnings Before Interest and tax to Total Assets d.ada akan cenderung membentuk garis lurus karena deltaMSE yang terjadi semakin kecil. X. (1995). University of Edinburgh. UK. (2006). (2004). 6. antara lain sebagai berikut: 1. 5 . [3] Hin. 4. Kuldeep. X5 = Sales to Total Assets Berdasarkan evaluasi yang dilakukan terhadap perangkat lunak. pp. Aplikasi ini baru dapat mengenali pola kebangkrutan perusahaan berdasarkan kesulitan keuangan yang terjadi (digambarkan dalam nilai rasio keuangan perusahaan). Faculty of Business Bond University. “Computational Intelligent Techniques for Financial Distress Detection”. (2000). [2] Hendratto. jadi belum ada parameter lain untuk menentukan kebangkrutan perusahaan. Robert R. Rasio-rasio keuangan yang digunakan untuk proses prediksi kebangrutan perusahaan ini adalah : a. [6] Trippi. Europe. 60-65. Proceedings of the 3rd Europian Conference on Information System. “Neural Network in Finance and Investing”. 3. Australia [5] Mukamala.

Sign up to vote on this title
UsefulNot useful