MAU PUNYA SKILL DATA SCIENCE YANG AMAYZING?
Belajar Data Science 6 Bulan hanya 150K  | Pakai Kode: AMAYZING
BURUAN SERBU!
Pendaftaran ditutup dalam 0 Hari 0 Jam 52 Menit 39 Detik 

Penerapan Metode Statistik dalam Memprediksi Kebangkrutan Perusahaan Keuangan

Belajar Data Science di Rumah 13-September-2021
https://dqlab.id/files/dqlab/cache/a45f87c90095651d9d4b8d4325ccd79f_x_Thumbnail800.jpg

Dalam bidang ekonomi, banyak sekali fenomena yang membutuhkan suatu prediksi di masa depan. Seperti misalnya, prediksi mengenai inflasi, tingkat suku bunga perusahaan keuangan, tingkat pengangguran suatu negara dan yang paling terbaru adalah terkait dengan memprediksi kebangkrutan perusahaan. Dengan adanya prediksi tersebut dapat digunakan sebagai salah satu pertimbangan dalam pembuatan keputusan. Dalam memprediksi sebuah fenomena, prediksi tersebut bisa menjadi tepat atau justru kurang tepat. Ketepatan dalam memprediksi sebuah fenomena tergantung pada alat atau metode statistik yang digunakan dalam prediksi. Alat statistik yang digunakan untuk membantu pengolahan data penelitian terkait dengan prediksi suatu fenomena semakin berkembang dan bermacam-macam jenisnya. Dengan adanya alat statistik yang bermacam-macam tersebut, menjadikan penelitian semakin berkembang dan menghasilkan hasil penelitian yang relevan sesuai tujuan penelitian. Penelitian dengan menggunakan topik yang sama, akan memberikan hasil dan kontribusi yang berbeda dikarenakan alat dan metode statistik yang berbeda. Peneliti dapat dengan bebas menentukan alat statistik yang akan digunakan sesuai tujuan dalam penelitian yang dilakukannya. Penentuan metode statistik yang tepat akan menghasilkan ketepatan dan akurasi prediksi yang tepat pula.


Munculnya berbagai model prediksi kebangkrutan merupakan antisipasi dan sistem peringatan dini terhadap financial distress karena model tersebut dapat digunakan sebagai sarana untuk mengidentifikasikan bahkan memperbaiki kondisi sebelum sampai pada kondisi krisis atau kebangkrutan. Hal lain yang mendorong perlunya peringatan dini adalah munculnya problematik keuangan yang mengancam operasional perusahaan. Faktor modal dan risiko keuangan ditengarai mempunyai peran penting dalam menjelaskan fenomena kepailitan/tekanan keuangan perusahaan tersebut. Dengan terdeteksinya lebih awal kondisi perusahaan, sangat memungkinkan bagi perusahaan, investor dan para kreditur (lembaga keuangan) serta pemerintah melakukan langkah-langkah antisipatif untuk mencegah agar krisis keuangan segera tertangani. Maka dari itu, untuk menganalisis fenomena prediksi kebangkrutan perusahaan keuangan dapat menggunakan metode statistik. Peneliti ingin mengetahui dari berbagai alat statistik yang berkembang kira-kira mana yang mampu memberikan keakuratan yang paling baik dalam memprediksi kebangkrutan perusahaan. Pada artikel DQLab kali ini, kita akan membahas mengenai contoh metode statistik yang digunakan untuk melakukan prediksi kebangrutan perusahaan keuangan. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, peneliti maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!


1. Logistic Regression

Logistic Regression merupakan suatu model matematis yang digunakan untuk mempelajari hubungan satu atau beberapa variabel independen dengan satu variabel dependen yang bersifat dikotomi (binary) atau kategorik. Variabel binary adalah variabel yang hanya memiliki dua nilai yaitu nilai 0 dan nilai 1, misalnya sakit / sehat, bangkrut / tidak bangkrut. Variabel Independen (prediktor) yang digunakan dapat bersifat metric maupun non metric. Adapun tujuan dari analisis logistic regression adalah mengidentifikasi variabel-variabel independen yang mempengaruhi keanggotaan grup / model persamaan dengan variabel dependen dan Membangun sistem klasifikasi berdasar model logistik yang dihasilkan untuk menentukan anggota grup/ model persamaan.


Baca juga : Pengolahan Data Statistik Parametrik dan Non-Parametrik


2. Z-Score

Z Score adalah suatu ukuran penyimpangan data dari nilai rata-ratanya yang diukur dalam satuan standar deviasinya. Jika nilainya terletak diatas rata-rata maka Z score-nya akan bernilai positif, sedangkan apabila nilainya dibawah nilai rata-rata maka Z score-nya akan bernilai negatif.  Z Score ini juga disebut dengan Nilai Standar atau Nilai Baku. Manfaat dari menstandarisasikan nilai-nilai skor mentah atau nilai yang diamati dari distribusi normal menjadi Z Score atau Skor Z ini adalah untuk memungkinkan kita menghitung probabilitas skor yang terjadi dalam distribusi normal dan juga memungkinkan kita untuk membandingkan dua skor yang berasal dari populasi yang berbeda. Perlu diketahui bahwa Skor Z ini hanya akan bermanfaat atau memiliki makna apabila dihitung untuk pengamatan yang berbentuk distribusi normal. Distribusi Normal Standar adalah distribusi yang berbentuk nominal dengan nilai rata-rata nol (0) dan Standar Deviasi adalah satu (1).


3. Multiple Discriminant Analysis

Analisis Diskriminan adalah salah satu teknik analisis statistik dependensi yang memiliki kegunaan untuk mengklasifikasikan objek beberapa kelompok. Pengelompokan dengan analisis diskriminan ini terjadi karena ada pengaruh satu atau lebih variabel lain yang merupakan variabel independen. Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi diskriminan. Analisis diskriminan adalah teknik multivariate yang termasuk dependence method, yakni adanya variabel dependen dan variabel independen. Dengan demikian ada variabel yang hasilnya tergantung dari data variabel independen. Analisis diskriminan mirip regresi linier berganda (multivariable regression). Perbedaannya analisis diskriminan digunakan apabila variabel dependennya kategorik (skala ordinal dan nominal) dan variabel independennya menggunakan skala metrik (interval dan rasio). Sedangkan dalam regresi berganda variabel dependennya harus metrik dan jika variabelnya independen, bisa metrik maupun non metrik. 


Berdasarkan hasil penelitian mengenai prediksi kebangkrutan perusahaan keuangan, model ini dapat memprediksi dengan tepat untuk bank yang berstatus tidak bangkrut sebanyak 25 bank dan 10 bank diprediksi bangkrut. Untuk bank yang berstatus bangkrut, model mampu memprediksi dengan tepat sebanyak 10 bank dan 5 bank diprediksi tidak bangkrut. Model statistik ini memiliki kemampuan memprediksi dengan tepat sebanyak 86%.


4. Artificial Neural Networks

Artificial neural networks merupakan suatu metode artificial intelligence yang konsepnya meniru sistem jaringan syaraf yang ada pada tubuh manusia yang mana bagian node-node saling berhubungan satu dengan yang lainnya. Node-node tersebut terhubung melalui suatu link yang biasa disebut dengan istilah weight. Ide dasarnya adalah mengadopsi cara kerja otak manusia yang memiliki ciri-ciri parallel processing, processing element dalam jumlah besar dan fault tolerance. Prediksi neural networks lebih bermanfaat ketika suatu kegiatan memiliki proses yang kompleks. Sebagai contoh: meramalkan permintaan konsumen berdasarkan data jumlah produksi dan biaya delivery, mendeteksi transaksi kesalahan yang disengaja pada pengajuan klaim asuransi. Neural networks bebas dari asumsi-asumsi dan merupakan pengujian non parametric.


Model neural networks yang mampu memprediksi dengan lebih baik yaitu model dengan menggunakan tiga (3) layer. Hal itu dapat dilihat dari nilai persentase ketepatan dalam memprediksi untuk training dan testing yaitu sebesar 94.7% dan 100%. Nilai persentase tersebut lebih tinggi dibandingkan dengan penggunaan hidden layer yang lain. Dengan menggunakan data perbankan untuk memprediksi kebangkrutan, terlihat bahwa metode/alat statistik artificial neural networks memiliki kemampuan prediksi yang lebih baik dibandingkan dengan metode logistic regression dan multiple discriminant analysis.


Baca juga : Yuk Pelajari Macam-Macam Metode Analisis Statistika


5. Belajar Statistik Asik dan Menarik Cuma Ada di DQLab!

Statistik memegang peranan yang penting dalam penelitian terutama metode penelitian kuantitatif. Statistik berperan baik dalam penyusunan model, perumusan hipotesis, dalam pengembangan alat dan instrumen pengumpulan data, dalam penyusunan desain penelitian, dalam penentuan sampel dan dalam analisis data. Penentuan metode statistik yang tepat akan menghasilkan ketepatan dan akurasi prediksi yang tepat pula. Mempelajari data science bukan hal yang sulit, tetapi juga tidak bisa disepelekan. Sebab, dalam praktiknya sering kali terjadi trial and error. Oleh sebab itu, mempersiapkan diri sebaik mungkin adalah kunci kesuksesan berkarir sebagai praktisi data. Jika kamu penasaran dengan data science dan ingin belajar data science secara langsung, caranya mudah banget. Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id atau bisa klik button di bawah ini yap. Nikmati pengalaman belajar data science yang menarik bersama DQLab yang seru dan menyenangkan dengan live code editor. Cobain juga free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu. Kalian juga bisa mencoba studi kasus penerapan real case industry. Ayo persiapkan dirimu untuk berkarir sebagai praktisi data yang kompeten!


Penulis: Reyvan Maulid



Sign Up & Mulai Belajar Gratis di DQLab!