IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MEMPREDIKSI FINANCIAL DISTRESS (STUDI KASUS PADA PERUSAHAAN INDUSTRI LOGAM DAN MINERAL PERIODE 2019 2023 YANG TERDAFTAR DI BURSA EFEK INDONESIA)  - Dalam bentuk pengganti sidang - Rancangan Karya Akhir

WARDANIANTI SARI RAHAYU

Informasi Umum

Kode

25.04.4974

Klasifikasi

332.4 - Financial economics- money

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Accounting

Dilihat

177 kali

Informasi Lainnya

Abstraksi

Sektor Bahan Baku, khususnya Industri Logam dan Mineral, memegang peranan krusial dalam perekonomian Indonesia, berkontribusi signifikan terhadap Produk Domestik Bruto (PDB) dan penciptaan lapangan kerja. Namun, industri ini menghadapi tantangan, salah satunya adalah tidak stabilanya harga komoditas yang disebabkan oleh menumpuknya pasokan, berdampak pada kinerja keuangan perusahaan yang menyebabkan tidak sedikit perusahaan dalam industri logam dan mineral mengalami penurunan laba sehingga mengakibatkan perusahaan memiliki Earnings Per Share (EPS) negatif. Penelitian ini memanfaatkan teknik data mining, khususnya model Artificial Neural Network (ANN), untuk memprediksi financial distress. Dalam model ANN ini, lima rasio keuangan berfungsi sebagai variabel input utama, yaitu Return on Assets (ROA), Debt to Assets Ratio (DAR), Current Ratio, Total Assets Turnover, dan Operating Cash Flow Ratio. Pemilihan rasio-rasio ini didasarkan pada bukti bahwa mereka efektif dalam memprediksi kondisi financial distress. Penelitian ini bertujuan untuk mengembangkan model prediksi financial distress pada perusahaan industri logam dan mineral yang terdaftar di Bursa Efek Indonesia selama periode 2019-2023, menggunakan pendekatan data mining dengan Artificial Neural Network (ANN). Hasil studi menunjukkan bahwa rasio keuangan perusahaan yang mengalami financial distress cenderung lebih rendah dibandingkan perusahaan yang tidak mengalaminya, sehingga rasio-rasio ini efektif sebagai variabel input model. Arsitektur ANN terbaik, yang ditemukan melalui pelatihan menggunakan sampel 26 perusahaan, memiliki konfigurasi 25 neuron pada lapisan input, 10 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Analisis lebih lanjut mengungkapkan bahwa 12 dari 26 perusahaan energi diprediksi mengalami financial distress, dengan model mencapai akurasi tertinggi sebesar 84.62%.