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

Variasi backpropagation telah banyak dikembangkan untuk meningkatkan kecepatan proses training. Struktur dasar jaringan syaraf Gambar 2. 2.3 Algoritma Backpropagation Training jaringan dengan backpropagation meliputi tiga tahap. 4. Metode yang dipakai dalam proses belajar tak terawasi ini antara lain Kohonen Self Organizing Maps. X1 = Networking Capital to Total Assets. Nilai pasar modal sendiri diperoleh dengan mengalikan jumlah lembar saham yang biasa beredar dengan harga pasar per-lembar saham biasa. Setelah proses training. 4. 3. 2. rasio ini menunjukkan kemampuan perusahaan untuk memenuhi kewajiban-kewajiban dari nilai pasar modal sendiri (saham biasa). struktur sederhana sebuah neuron Pada proses pembelajaran dalam JST terdapat 2 kategori yaitu : 1. Backpropagation atau Generalized Delta Rule dan Counterpropagation. Gambar 1. tidak dapat ditentukan seperti apakah hasil yang diharapkan selama proses pembelajaran. pada metode pembelajaran tak terawasi ini tidak memerlukan target keluaran. 5. X2 = Retained Earnings to Total Assets. Pengolah informasi terdiri dari elemen-elemen sederhana yang disebut neuron. Tiap hubungan mempunyai ukuran tersendiri yang disebut bobot.industri yang sama. Tiap neuron mempergunakan fungsi aktivasi terhadap masukan yang diterimannya untuk menentukan sinyal keluaran. X5 = Sales to Total Assets. aplikasi jaringan hanya meliputi perhitungan feedforward. 2. 3. Rasio ini mencerminkan efisiensi manajemen dalam menggunakan keseluruhan aktiva perusahaan untuk menghasilkan penjualan dan mendapatkan laba. rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan laba ditahan dari total aktiva perusahaan. X1 X2 X3 X4 X5 Gambar 3. yaitu: feedforward dari pola input training. Rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan laba dari aktiva perusahaan sebelum pembayaran bunga dan pajak. Jaringan syaraf tiruan telah dikembangkan dengan menggunakan model matematis untuk menirukan cara kerja jaringan syaraf biologis. dengan berdasarkan asumsi-asumsi: 1. 2. net yang dilatih dapat menghasilkan output sangat cepat. Pembelajaran tak terawasi (Unsupervised Learning). diantaranya Delta Rule. Pada metode ini. Sinyal dilewatkan dari satu neuron ke neuron yang lain melalui suatu hubungan tertentu. rasio ini menunjukkan kemampuan perusahaan untuk menghasilkan modal kerja bersih dari total aktiva yang dimilikinya. 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 . perhitungan error propagasi balik ( backpropagation of error ) yang bersangkutan dan pembaharuan ( adjustment ) bobot dan bias. 2. X4 = Market Value of Equity to Book Value of Debt. Pembelajaran terawasi (Supervised Learning). yaitu jika keluaran yang diharapkan telah diketahui sebelumnya. Ada beberapa metode dalam proses belajar terawasi. Meskipun proses training lambat. Rasio keuangan yang digunakan adalah rasio keuangan model altman yaitu : 1. X3 = Earning Before Interest and tax to Total Assest.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. dan untuk menunjukkan apakah posisi keuangan membaik atau memburuk selama suatu waktu.

k=1. 5 jumlah node hidden.. i=1.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...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..…..p ) hitung nilai input dengan menggunakan nilai bobotnya : w jk (new) = w jk (old ) + Δw jk Setiap unit hidden ( Zj.. turunan dari fungsi aktivasi tersebut juga mudah dihitung. Dimana nanti perangkat lunak yang akan dibuat memiliki fungsi untuk mendeteksi kebangkrutan perusahaan yang disebabkan oleh kesulitan keuangan (financial distress).…. k=1. Fungsi aktivasi tersebut kontinu.1 Analisis Sistem Telah disinggung pada pembahasan sebelumnya bahwa perangkat lunak yang akan dibuat berkaitan dengan laporan keuangan sebuah perusahaan.. Untuk efesiensi perhitungan. 1 hidden layer. 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. dan 1 output node.p ) : 3 . j=1. j=1.…. kerjakan step 2 – 9 Step-2 Untuk setiap pasangan pelatihan (training) kerjakan step 3 – 8 Step-3 Setiap unit input (Xi. dapat diturunkan dan tidak turun secara monoton.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...n) menerima sinyal input xi dan menyebarkan sinyal itu ke seluruh unit pada layer berikutnya (hidden layer) Step-4 Setiap unit dalam ( Zj. Analisis Perancangan dan Implementasi Sistem 3.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. k=1.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.…. yang mempunyai interval (0 . 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. dan layer output. 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. : 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.. Arsitektur layer terdiri dari 5 input node.2 Perancangan Sistem Arsitektur layer yang akan digunakan adalah 3 layer network terdiri dari layer input. Salah satu tipe fungsi aktivasi yang paling banyak digunakan adalah fungsi sigmoid biner. training backpropagation.m ) update bias dan bobotnya ( j=0. 3.Step-1 Selama kondisi berhenti masih belum terpenuhi. dan update bobot. Algoritma Backpropagation yang digunakan terdiri dari 3 proses utama yaitu proses feedforward.

2. bobot yang digunakan adalah bobot secara acak antara 0 sampai 1.5 dan epoch = 1000. update bobot. digunakan untuk mengetahui model perusahaan yang tidak bangkrut. yaitu data yang digunakan untuk mengecek kevalidan bobot baru yang telah dibentuk apakah telah mampu memprediksi kondisi perusahaan. Sebelum melakukan implementasi JST. dimana seluruh rekord dipresentasikan satu kali) adalah nilai kesalahan error = nilai keluaran . Data testing. Maka. dan tes kondisi berhenti. Pada proses inisialisasi bobot awal.mdb) dengan beberapa inputan parameter seperti jumlah maksimal maksimal epoh dan nilai alpha. JST semakin kecil kesalahannya dalam memprediksi kelas dari rekord yang baru. hanya terdapat 2 output prediksi yaitu 0 dan 1 atau dengan kata lain bangkrut atau tidak bangkrut. Data training. algoritma dapat memprediksi semua kondisi perusahaan dengan benar. Data rasio keuangan perusahaan yang tidak mengalami kebangkrutan.perusahaan dan untuk proses testing data set terdiri dari 13 Perusahaan. 4. Kesimpulan dan Saran Dari implementasi dan uji coba perangkat lunak deteksi kebangkrutan perusahaan menggunakan JST Backpropagation. diperlukan proses inisialisasi bobot dan parameter pelatihan yang akan digunakan acuan dalam penghitungan selanjutnya.4 Mean Square Error(MSE) Nilai mean square error (MSE) pada satu siklus pelatihan (langkah 2 – 9.nilai masukan) rata-rata dari seluruh rekord (tupple) yang dipresentasikan ke JST dan dirumuskan sebagai: MSE = ∑ error 2 Jumlah Re cord Semakin kecil MSE. 2. Dari hasil uji coba didapat data sebagai berikut : Variabel Alpha Epoch Data Training Data Testing Jml 0. proses feedforward. 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). Berdasarkan fungsinya data yang digunakan dalam program ini terdiri dari 2 jenis yaitu : 1. 5.3 Implementasi Sistem Pada JST Backpropagation digunakan untuk aplikasi training meliputi inisialisasi bobot training. Data rasio keuangan perusahaan yang telah mengalami kebangkrutan. Proses training untuk mendapatkan bobot yang sesuai membutuhkan nilai alpha = 0. Kelebihan : dapat memprediksi situasi perusahaan ke depan tergantung dari lamanya durasi laporan keuangan perusahaan yang diambil sampel. selain itu dapat juga menggunakan deltaMSE untuk mengetahui nilai error yang terjadi sehingga tingkat kevalidan program meningkat. kekurangan dan kelebihan perangkat perangkat lunak tersebut ditinjau dari segi sistem yaitu. 3.5 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. Berdasarkan jenis perusahaannya data yang digunakan dalam program ini terdiri dari 2 jenis yaitu : 1. Untuk melakukan pengujian testing JST Backpropagation dataset yang dipersiapkan antara lain dengan 13 record data dan 5 field data. yaitu data yang digunakan untuk proses training algoritma JST – Backpropagation dan berfungsi untuk menciptakan model perusahaan yang didefinisikan oleh bobot yang nantinya terbentuk. Hal ini terangkum dalam fungsi inisialisasi bobot awal. Uji Coba dan Pembahasan Proses testing dilakukan dengan menggunakan hasil pelatihan JST yang disimpan kedalam bentuk file (*. 2. Kekurangan : masih kurang mendetail. Setelah bobot awal di-inisialisasi. semakin kecil error yang terjadi maka grafik yang 4 . digunakan untuk mengetahui model perusahaan yang bangkrut. dapat diperoleh kesimpulan sebagai berikut: 1. 3. Grafik MSE pada program menggambarkan kestabilan error yang terjadi pada proses training. 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. maka selanjutnya tahap implementasi algoritma JST Backpropagation dengan mengambil data rasio keuangan dari database yang telah ada.

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

Sign up to vote on this title
UsefulNot useful