model prediksi financial distress pada perusahaan - MMT-ITS

Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
MODEL PREDIKSI FINANCIAL DISTRESS PADA PERUSAHAAN
MANUFAKTUR GO PUBLIC DI INDONESIA
Umi Zhahratun Nisa1, *), Budi Santosa2) dan Stefanus Eko Wiratno3)
1) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember
Keputih Sukolilo, Surabaya, 60111, Indonesia
e-mail: [email protected]
2) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember
3) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember
ABSTRAK
Financial distress adalah kondisi perusahaan sedang mengalami kesulitan keuangan
dan salah satu proses sebelum perusahaan mengalami kebangkrutan. Kasus set data tak
imbang (imbalanced datasets) pada model prediksi financial distress masih mendapat sedikit
perhatian. Sebagian besar penelitian menggunakan jumlah sampel yang sama antara
perusahaaan yang mengalami financial distress (kelas positif) dengan perusahaan yang tidak
mengalami financial distress (kelas negatif). Pada kenyataannya, tidak semua kasus memiliki
besar distribusi yang sama. Salah satu solusi dalam mengatasi masalah ketidakseimbangan
adalah dengan melakukan resampling. Penelitian ini berupaya untuk membandingkan hasil
akurasi prediksi financial distress pada perusahaan manufaktur go public di Indonesia dengan
menggunakan set data tak imbang dan set data imbang. Keseimbangan data antar kedua kelas
dilakukan melalui duplikasi kelas positif secara acak (random oversampling). Teknik
klasifikasi yang digunakan adalah Support Vector Machine dan Linear Discriminant Analysis.
Hasil penelitian membuktikan bahwa akurasi prediksi dari kedua classifier akan lebih optimal
bila menggunakan set data yang memiliki jumlah kelas positif dan negatif yang seimbang.
Kata kunci: financial distress, data mining, classification, imbalanced dataset
PENDAHULUAN
Kebangkrutan merupakan situasi yang paling tidak diinginkan oleh semua pelaku
bisnis. Kebangkrutan memberikan dampak negatif tidak hanya bagi pihak manajemen
perusahaan, namun juga bagi para pemegang saham, kreditur, pemasok, bahkan kestabilan
perekonomian suatu negara (Sun dan Li, 2009). Apabila suatu perusahaan tidak dapat
mengenali kondisi kesulitan keuangan (financial distress) serta tidak tanggap melakukan
upaya perbaikan, maka akan memiliki peluang besar untuk masuk dalam kondisi
kebangkrutan. Dengan demikian, diperlukan adanya suatu sistem peringatan dini pada kondisi
financial distress agar perusahaan dapat terhindar dari kebangkrutan yang lebih serius.
Beragam penelitian baik di bidang akuntansi maupun keuangan yang berupaya untuk
melakukan pengembangan model prediksi financial distress. Topik prediksi financial distress
juga kian diminati di bidang statistik dan machine learning. Prediksi kebangkrutan mulai
diteliti oleh Beaver (1966) yang membuat model analisis univariat dengan menggunakan rasio
keuangan perusahaan dan menyimpulkan bahwa rasio keuangan dapat digunakan untuk
membedakan antara perusahaan bangkrut dan tidak bangkrut. Altman (1968) menggunakan
model statitistik Multiple Discriminant Analysis (MDA), yakni Z-Score model yang dapat
digunakan untuk mengidentifikasi perusahaan bangkrut dengan mengkombinasikan lima rasio
keuangan. Ohlson (1980) menggunakan teknik statistik berupa regresi logistik untuk
mengetahui kemungkinan suatu perusahaan mengalami financial distress. Perkembangan
ISBN : 978-602-97491-7-5
A-43-1
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
teknik kecerdasan buatan (artificial intelligent) dan data mining pada era 1990-an meliputi
beragam metode, seperti decision tree (DT), case-based reasoning (CBR), artificial neural
networks (ANNs), algoritma evolusioner genetic algorithm (GA) dan teknik baru support
vector machine (SVM). Teknik tersebut banyak diaplikasikan untuk memprediksi financial
distress perusahaan (Chen, 2011).
Salah satu tugas penting dalam data mining adalah klasifikasi yang bertujuan untuk
menghasilkan model sehingga dapat menggolongkan data training ke dalam suatu kelas
seakurat mungkin (Gong dan Huang, 2012). Prediksi financial distress perusahaan merupakan
permasalahan klasifikasi yang bersifat biner, dimana perusahaan yang mengalami financial
distress dilambangkan dengan nilai 1 (kelas positif), sedangkan perusahaan yang tidak
mengalami financial distress dilambangkan dengan nilai -1 (kelas negatif). Sebagian besar
penelitian terkait dengan financial distress menggunakan jumlah sampel yang sama, baik pada
kelas positif maupun kelas negatif. Namun pada kenyatannya, kasus perusahaan yang
mengalami financial distress lebih jarang ditemui dibandingkan dengan perusahaan yang
tidak mengalami financial distress. Apabila dalam suatu set data penelitian prediksi memiliki
jumlah anggota kelas positif (interest class) yang jauh lebih sedikit dibandingkan dengan
kelas negatif, maka set data tersebut merupakan set data tak imbang (imbalanced datasets).
Algoritma yang digunakan dalam kasus klasifikasi selalu bertujuan untuk
meminimumkan tingkat kesalahan atau presentase prediksi kesalahan dari label kelas. Apabila
algoritma klasifikasi diterapkan secara tidak hati-hati pada set data training yang imbalanced,
maka akan menghasilkan informasi akurasi prediksi yang bias, yakni kelas mayoritas
mempunyai akurasi yang lebih tinggi dibandingkan kelas minoritas. Oleh karena itu,
diperlukan suatu tindakan khusus pada kasus imbalanced dataset agar classifier yang
digunakan dapat memberikan hasil prediksi yang akurat.
Secara garis besar, terdapat dua pendekatan yang dapat digunakan untuk mengatasi
masalah imbalanced datasets, yaitu pada level data dan level agoritma. Pendekatan pada level
data (sampling approach), merupakan langkah berupa resampling set data yang ada, baik
berupa oversampling maupun undersampling (Ganganwar, 2012). Pendekatan kedua, yakni
berbasis algoritma, dilakukan dengan cara menciptakan algoritma baru atau mengatur
sedemikian rupa algoritma classifier yang sudah ada untuk meningkatkan kinerja dalam
mengolah imbalanced datasets (Liu, et al., 2011). Kedua pendekatan tersebut dapat diterapkan
pada penelitian prediksi financial distress yang memiliki permasalahan set data tak imbang.
Faktor lain yang juga mempengaruhi akurasi prediksi financial distress adalah fitur
atau variabel yang digunakan dalam penelitian (Lin, Liang dan Chen, 2011). Adanya
perbedaan variabel prediktor yang digunakan dalam suatu penelitian akan memberikan
keragaman hasil. Sebagian besar penelitian prediksi financial distress perusahaan
menekankan pada variabel keuangan, padahal terdapat variabel lain seperti non keuangan dan
makroekonomi yang mempengaruhi kondisi tersebut (Tirapat dan Nittayagasetwat, 1999).
Dengan demikian, diperlukan suatu langkah berupa pemilihan variabel, sehingga dapat
memanfaatkan sejumlah variabel penting dalam suatu set data dan mengeliminasi variabel
yang tidak relevan (Zhou, Lai dan Yen, 2012). Salah satu langkah yang dapat dilakukan dalam
tahap seleksi variabel adalah menggunakan metode LP-SVM (Santosa, 2007).
Di Indonesia, penelitian mengenai prediksi kondisi financial distress yang
menggunakan imbalanced datasets cukup terbatas. Mayoritas penelitian tersebut
menggunakan proporsi jumlah sampel yang berimbang antar dua kelas. Faktanya, data
perusahaan yang mengalami financial distress di Indonesia memiliki jumlah yang jauh lebih
sedikit dibandingkan perusahaan yang tidak mengalami financial distress. Oleh sebab itu,
diperlukan adanya penelitian yang membahas mengenai penyeimbangan data pada kasus
imbalanced dataset seperti financial distress.
ISBN : 978-602-97491-7-5
A-43-2
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
Penelitian prediksi kondisi financial distress perusahaan yang ada selama ini juga
seringkali menggunakan indikator financial distress melalui perhitungan variabel rasio
keuangan dari laporan keuangan tahunan. Indikator financial distress sendiri biasanya lebih
dari satu tahun. Menurut Sun, He dan Li (2011), memprediksi dalam masa satu tahun
merupakan periode yang relatif panjang, sedangkan prediksi pada periode yang lebih pendek,
misal setengah tahun, masih sedikit mendapat perhatian. Penelitian yang menggunakan
variabel prediktor non keuangan dan makroekonomi telah banyak dilakukan (Almilia, 2004;
Hidayat, 2009; Iramani, 2008), namun sebagian besar belum menggunakan teknik machine
learning. Penggunaan teknik klasifikasi data mining yang melibatkan ketiga variabel tersebut
juga masih jarang dilakukan di Indonesia.
Berdasarkan penjelasan di atas, maka diperlukan suatu penelitian berupa model
prediksi kondisi financial distress di Indonesia menggunakan teknik klasifikasi data mining
yang melibatkan variabel keuangan, non keuangan dan makroekonomi. Guna mengetahui
berbagai variabel yang signifikan mempengaruhi model prediksi tersebut, diperlukan langkah
pemilihan variabel. Selanjutnya, sampel yang digunakan dalam penelitian ini adalah
perusahaan manufaktur yang sudah go public di Indonesia. Selain dikarenakan kemudahan
dalam mendapatkan data (accessibility), hal ini juga dilatarbelakangi adanya karakteristik
imbalanced datasets pada perusahaan manufaktur go public di Indonesia. Perusahaan tersebut
mengacu pada klasifikasi Jakarta Stock Industrial Classification (JASICA) serta memiliki
laporan keuangan semester yang lengkap selama periode amatan Januari 2010 – Juni 2011.
Perusahaan amatan diasumsikan memiliki umur dan besar aset yang sama. Penelitian ini
menggunakan teknik sampling sebagai penyeimbang, yang kemudian diprediksi dengan
menggunakan teknik Support Vector Machines dan teknik Linear Discriminant Analysis.
METODE
Beberapa tahap dalam penelitian ini antara lain: identifikasi dan perumusan masalah,
pengumpulan data, pengolahan data, analisis dan interpretasi, serta kesimpulan dan saran.
Adapun penjelasan dari setiap tahapan tersebut adalah sebagai berikut:
1. Tahap Identifikasi dan Perumusan Masalah
Pada tahap ini dilakukan identifikasi masalah yakni financial distress pada perusahaan
manufaktur go public di Indonesia pada Januari 2010 – Desember 2011. imana kelas
positif (perusahaan yang mengalami financial distress) berjumlah sebanyak 20
perusahaan, sedangkan perusahaan yang tidak mengalami financial distress berjumlah
100 perusahaan. Indikator adanya financial distress adalah perusahaan memiliki total
aset kurang dari total kewajiban atau memiliki Earning Per Share negatif.
2. Tahap Pengumpulan Data
Penelitian ini merupakan penelitian dengan data sekunder. Laporan keuangan semester
perusahaan nmatan didapatkan dari Bursa Efek Indonesia (www.idx.co.id), sedangkan
variabel makroekonomi didapatkan dari Bank Indonesia (www.bi.go.id) dan
International Financial Statistics (IFS).
3. Tahap Pengolahan Data
Setelah data terkait obyek amatan didapatkan, maka langkah selanjutnya adalah
melakukan pre-processing data. Tahap preprocessing yang pertama kali dilakukan
adalah mengidentifikasi dan melakukan operasionalisasi variabel. Adapun variabel
yang digunakan dalam penelitian ini adalah:
ISBN : 978-602-97491-7-5
A-43-3
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
Tabel 1 Kandidat Variabel Keuangan
Nama Variabel
CF_SL
CF_TA
WC_TA
WC_SL
CA_TA
QA_SL
QA_TA
CL_SL
EB_TA
NI_TA
NI_TE
NI_SL
EB_SL
COG_SL
COG_IN
SL_AR
SL_TA
TL_TA
TL_TE
CA_CL
QA_TL
Keterangan
Cash Flow / Sales
Cash Flow / Total Aset
Working Capital/Total Assets
Working Capital / Sales
Current Assets / Total Assets
Quick Assets / Sales
Quick Assets / Total Assets
Current Liabilities / Sales
EBIT / Total Assets
Net Income/ Total Assets
Net Income / Total Equity
Net Income / Sales
EBIT/Sales
Sales-CoGS / Sales
CoGS / Inventory
Sales/Accounts Receivable
Sales / Total Assets
Total Liabilities / Total Assets
Total Liabilities / Total Equity
Current Assets / Current Liabilities
Quick Assets/Total Liabilities
Sedangkan variabel lainnya, yakni variabel non keuangan dan makroekonomi adalah:
Tabel 2 Kandidat Variabel Non Keuangan
Nama Variabel
Board Size
Shares Concentration
Stock Price Changes
Keterangan
Jumlah Dewan Komisaris
Konsentrasi Kepemilikan Saham
Perubahan Harga Saham
Tabel 3 Kandidat Variabel Makroekonomi
Nama Variabel
Interest Rate
Inflation Rate
Exchange Rate
Money Supply
Keterangan
Perubahan Tingkat Suku Bunga
Perubahan Indeks Harga Konsumen
Perubahan Suku Bunga
Perubahan Jumlah Uang yang Beredar
Langkah preprocessing selanjutnya adalah melakukan transformasi data dengan cara
scaling kedalam rentang [-1 1]. Tahap terakhir dalam preprocessing adalah
menyeleksi variabel yang paling signifikan dengan menggunakan metode Linear
Programming Support Vector Machines.
Setelah tahap preprocessing selesai, langkah selanjutnya adalah tahap processing data.
Dalam tahap ini, data awal yang tersedia dibagi kedalam dua kelompok, yakni data
training sebesar 70% dari total data, dipilih secara acak, dan sisanya digunakan
sebagai data testing. Setelah itu, guna menyeimbangkan karakter set data yang
imbalanced, maka dilakukan upaya sampling data dengan cara random oversampling.
Pada penelitian ini, data dari kelas positif diduplikasi sebesar 300%, 400% dan 500%
ISBN : 978-602-97491-7-5
A-43-4
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
dari total data kelas positif. Dengan demikian, diketahui bahwa terdapat empat macam
set data yang dapat dijadikan sebagai input dalam membangun model prediksi.
Teknik yang digunakan dalam penelitian ini adalah Support Vector Machines (SVM)
dan Linear Discriminant Analysis (LDA). Teknik SVM pada penelitian ini
menggunakan jenis kernel linear serta RBF dengan rentang nilai parameter P sebesar
2-1, 20, 21, 22, 23, dan parameter C sebesar 1, 10, 100, 1000, dan 10000.
Langkah terakhir adalah menghitung akurasi dari setiap model prediksi yang telah
dibuat dengan menggunakan confussion matrix. Parameter akurasi yang digunakan
dalam penelitian ini adalah sensitivity, spesificity, precision dan overall accuracy.
Pengukuran tersebut akan menghasilkan informasi berupa tipe set data dan teknik
klasifikasi yang memiliki akurasi terbaik. Adapun confussion matrix untuk mengukur
perusahaan yang mengalami financial distress dapat dilihat dalam Tabel 4 berikut:
Tabel 4 Confussion Matrix
Actual
Class
Financial Distress
Non Financial Distress
Predicted Class
Financial Distress
Non Financial Distress
TP
FN
FP
TN
Sumber: Chen, 2011
Setelah data uji dimasukkan ke dalam confussion matrix, nilai-nilai yang telah
dimasukkan dihitung dengan pengukuran sebagai berikut:
 Sensitivity, yakni proporsi jumlah perusahaan yang mengalami financial distress
yang berhasil diprediksi dengan benar.
Cara menghitungnya adalah

Specificity, yakni proporsi jumlah perusahaan yang tidak mengalami financial
distress yang berhasil diprediksi dengan benar.
Rumus untuk menghitungnya adalah:

Precision, proporsi jumlah perusahaan yang mengalami financial distress yang
diidentifikasi dengan benar. Rumus untuk menghitungnya :

Overall Accuracy, yakni proporsi antara jumlah prediksi benar dengan jumlah
keseluruhan obyek. Rumus untuk menghitungnya:
4. Tahap Analisis dan Interpretasi
Tahap ini merupakan tahap analisis dari pengolahan data yang dilakukan sebelumnya.
Analisis hasil terdiri dari analisis penyeleksian variabel data, analisis hasil pengujian
dengan Support Vector Machines, analisis hasil pengujian dengan Linear Discriminant
Analysis, dan analisis perbandingan evaluasi kinerja dari kedua teknik tersebut.
5. Tahap Kesimpulan dan Saran
Tahap ini merupakan penarikan kesimpulan atas keseluruhan hasil dari langkahlangkah sebelumnya, serta memberikan saran untuk penelitian mendatang dan pihakpihak yang berkepentingan.
HASIL DAN PEMBAHASAN
Berikut adalah beberapa hasil dari tahap preprocessing dan processing data:
1. Seleksi Variabel
Berdasarkan Tabel 1 hingga Tabel 3 dapat diketahui bahwa variabel awal yang
digunakan dalam penelitian terdiri atas 21 variabel keuangan, 3 variabel non
ISBN : 978-602-97491-7-5
A-43-5
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
keuangan, serta 4 variabel makroekonomi. Penelitian ini menggunakan laporan
keuangan periode semesteran tahun 2010 hingga tahun 2011. Dengan demikian
terdapat 112 variabel total selama empat periode penelitian. Guna mendapatkan
informasi yang lebih dalam mengenai variabel yang signifikan mempengaruhi kondisi
financial distress, dilakukan seleksi variabel dengan metode LP-SVM. Berikut adalah
hasil seleksi variabel berdasarkan metode LP-SVM:
Tabel 5 Hasil Seleksi Variabel
2010
Sem I
WC_TA
CA_TA
NI_TE
COG_IN
SL_AR
CA_CL
BS
SC
RT
2011
Sem II
CF_TA
QA_TA
NI_TA
SL_AR
CA_CL
QA_TL
SC
RT
Sem I
QA_SL
QA_TA
EB_TA
SL_TA
TL_TA
SC
Sem II
CL_SL
NI_SL
GP_SL
SL_AR
TL_TA
BS
RT
Berdasarkan Tabel 5 diatas dapat diketahui bahwa terdapat 30 variabel yang akan
menjadi input data dalam tahap konstruksi model selanjutnya. Berdasarkan Tabel 5
tersebut dapat diketahui bahwa varaibel yang siginifikan berpengaruh adalah varaibel
keuangan dan non keuangan, sedangkan variabel makroekonomi tidak berpengaruh.
2. Membagi set data training dan data testing
Penelitian ini pada dasarnya membandingkan hasil prediksi pada kasus imbalanced
data sets pada data aslinya dan balanced datasets melalui proses random
oversampling.
3. Hasil pengujian dengan Teknik Support Vector Machines
Setiap set data, dilakukan uji SVM dengan menggunakan kernel linear dan kernel
RBF. Hasil pengujian tersebut kemudian diukur dengan confussion matrix. Berikut
adalah ringkasan hasil dari keempat set data tersebut dengan teknik SVM.
Tabel 6 Perbandingan Parameter Akurasi pada Empat Macam Set Data
Set Data
Kernel
P
C
Sensitivity Specificity
Precision
Overall
Accuracy
Imbalanced
Oversampling
300%
Oversampling
400%
Oversampling
500%
RBF
RBF
4
4
1
10
0.5
1
0.7941
0.7419
0.125
0.7419
0.777
0.851
Linear
1
1
1
0.833
0.8571
0.9167
Linear
1
1
1
0.8333
0.8571
0.9167
Berdasarkan Tabel 6 diatas, dapat diketahui bahwa dari parameter akurasi memiliki
nilai tertinggi dengan menggunakan set data yang telah diseimbangkan sebesar 400%.
ISBN : 978-602-97491-7-5
A-43-6
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
4. Hasil Pengujian dengan Teknik Linear Discriminant Analysis
Selain menggunakan teknik SVM, teknik yang digunakan dalam memprediksi kondisi
financial distress pada penelitian ini adalah dengan LDA. Empat macam set data diuji
dengan teknik tersebut, dan hasilnya dipaparkan dalam Tabel 7 sebagai berikut:
Tabel 7 Hasil Pengujian dengan Teknik LDA
Macam Set Data
Sensitivity Specificity Precision Overall
Accuracy
Imbalanced Dataset
Oversampling 300%
Oversampling 400%
Oversampling 500%
1
1
1
1
0.0625
1
0.6
0.5667
0.1176
1
0.714286
0.73469
0.1667
1
0.8
0.80303
Berdasarkan Tabel 7, hasil pengujian dengan teknik LDA memiliki akurasi tertinggi
pada set data yang diseimbangkan dengan random oversampling 300%, sedangkan
akurasi terendah didapatkan pada perhitungan dengan set data yang imbalanced.
5. Hasil Perbandingan dari kedua Teknik
Secara umum perbandingan rata-rata overall accuracy pada kedua teknik tersebut
dipaparkan dalam Tabel 8 berikut ini:
Tabel 8 Perbandingan Rata-Rata Overall Accuracy dari SVM dan LDA
No
1
2
3
4
Macam Set Data
SVM
Imbalanced Dataset
Oversampling 300% Dataset
Oversampling 400% Dataset
Oversampling 500% Dataset
LDA
0.497
0.698
0.775
0.774
0.1667
1
0.8
0.8
KESIMPULAN DAN SARAN
1.
2.
3.
4.
Adapun kesimpulan dari penelitian ini antara lain:
Penelitian ini merupakan studi komparasi prediksi financial distress pada perusahaan
manufaktur go public di Indonesia, dengan menggunakan teknik SVM dan LDA.
Penelitian ini menggunakan set data awal yang merupakan imbalanced dataset, dan set
data yang diduplikasi dengan random oversampling sebesar 300%, 400% dan 500%.
Berdasarkan hasil seleksi, variabel yang siginifikan mempengaruhi financial distress
perusahaan manufaktur pada periode amatan penelitian adalah variabel keuangan dan
non-keuangan, sedangkan variabel makroekonomi tidak memiliki kontribusi.
Baik pada teknik SVM maupun LDA, hasil akurasi terbaik dihasilkan dari set data
yang imbang antara jumlah kelas positif dan kelas negatif.
Saran untuk penelitian selanjutnya yang membahas mengenai imbalanced datasets
adalah dapat menggunakan metode lain yang lebih mutakhir, sehingga hasil penelitian dapat
dijadikan perbandingan. Bagi pihak-pihak yang berkepentingan seperti pemerintah,
manajemen perusahaan dan pemegang saham, dapat menggunakan informasi tersebut agar
dapat dijadikan bahan pertimbangan sebelum mengambil keputusan.
ISBN : 978-602-97491-7-5
A-43-7
Prosiding Seminar Nasional Manajemen Teknologi XVIII
Program Studi MMT-ITS, Surabaya 27 Juli 2013
DAFTAR PUSTAKA
Almilia, L. S. (2004). Analisis Faktor-Faktor yang Mempengaruhi Kondisi Financial Distress
Suatu Perusahaan yang Terdaftar di Bursa Efek Jakarta. Jurnal Riset Akuntansi
Indonesia, Vol. 7, No.2, p. 1-22.
Altman, E. I. (1968). Financial Ratios Discriminant Analysis and The Prediction of Corporate
Bankriptcy. Journal of Finance, Vol. 23, p. 589-609.
Beaver, W. (1966). Financial Ratios as Predictors of Failure, Journal of Accounting Research,
Vol. 4,p. 71-111.
Chen, M.-Y. (2011). Bankruptcy Prediction in Firms with Statistical and Intelligent
Techniques and a Comparison of Evolutionary Approaches, Computers and
Mathematics with Aplications, Vol. 62, p. 4514-4524.
Ganganwar, V. (2012). An Overview of Classification Algorithms for Imbalanced Datasets.
International Journal of Emerging Technology and Advanced Engineering,Vol. 2, No.
4, p. 42-47.
Gong, R. dan Huang, S. H. (2012). A Kolmogorov-Smirnov Statistic Based Segmentation
Approach to Learning from Imbalanced Datasets: With Application in Property
Refinance Prediction. Expert Systems with Applications, Vol. 39, p. 6192-6200.
Hidayat, W. (2009). Analisis Financial Distress Perusahaan Manufaktur yang Listed Sebagai
Dampak Krisis Ekonomi Asia. Jurnal Akuntansi, Manajemen Bisnis dan Sektor
Publik, Vol. 5, No. 3, p. 304-323.
Iramani. (2008). Model Prediksi Financial Distress Perusahaan Go Public di Indonesia (Studi
pada Sektor Manufaktur). Jurnal Aplikasi Manajemen, Vol. 6, No. 1.
Lin, F., Liang, D., dan Chen, E. (2011). Financial Ratio Selection for Business Crisis
Prediction. Expert Systems with Applications, Vol. 38, p. 15094-15102.
Liu, Y., Yu, X., Huang, J. X., dan An, A. (2011). Combining Integrated Sampling with SVM
Ensembles for Learning from Imbalanced Datasets. Information Processing and
Management, Vol. 47, p. 617-631.
Ohlson, J. (1980). Financial Ratios and Probabilistic Prediction of Bankruptcy, Journal of
Accounting Research, Vol. 18, p. 109-131.
Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha
Ilmu, Yogyakarta.
Sun, J. dan Li, H. (2009). Financial Distress Early Warning Based on Group Decision
Making. Computers and Operations Research, Vol. 36, p. 885-906.
Tirapat, S. dan Nittayagasetwat, A. (1999). An Investigation of Thai Listed Firms' Financial
Distress Using Macro and Micro Variables. Multinational Finance Journal, Vol. 3,
No. 2, p. 103-125.
Zhou, L., Lai, K. K., dan Yen, J. (2012). Empirical Model Based on Features Ranking
Techniques for Corporate Financial Distress Prediction. Computers and Mathematics
with Applicatuions, Vol 64, p. 2484-2496.
ISBN : 978-602-97491-7-5
A-43-8