Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
PEMODELAN PREDIKSI FINANCIAL DISTRESS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Herlina1), Budi Santosa2) dan Udisubakti Ciptomulyono2) 1) Program Studi Pasca Sarjana Teknik Industri, Institut Teknologi Sepuluh Nopember Jl. ITS Raya, Surabaya, 60111, Indonesia e-mail:
[email protected] 2) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember ABSTRAK Financial distress adalah sebuah kondisi yang menunjukkan tahap-tahap penurunan kondisi keuangan sebuah perusahaan yang terjadi sebelum perusahaan mengalami kebangkrutan (bankruptcy). Kemampuan untuk memprediksi terjadinya financial distress menjadi topik penelitian yang penting karena dapat memberikan manfaat bagi perusahaan untuk dapat mencegah kebangkrutan. Selain itu prediksi financial distress juga bermanfaat bagi investor dan kreditur. Pada penelitian ini akan dibuat model prediksi financial distress pada perusahaan manufaktur terbuka di Indonesia dengan menggunakan metode Support Vector Machine. Variabel yang akan digunakan dalam penelitian ini meliputi variabel keuangan dan nonkeuangan, baik yang bersifat kuantitatif maupun kualitatif. Teknik pemilihan variabel pada penelitian ini menggunakan metode Analytic Hierarchy Process (AHP), dimana dalam pemilihan variabel akan melibatkan preferensi dan pengalaman para praktisi didalamnya. Dari hasil penelitian ini terpilih 12 variabel melalui hasil seleksi variabel dengan menggunakan AHP. Proses seleksi variabel yang telah dilakukan dapat memperkecil tingkat misklasifikasi pada model. Tingkat misklasifikasi terkecil diberikan oleh model SVM dengan kernel RBF dengan nilai parameter σ = 2 dan C=10 sebesar 15%. Kata kunci: Financial Distress, Support Vector Machine, Analytic Hierarchy Process PENDAHULUAN Berbagai macam permasalahan yang terjadi di dunia dapat memicu goncangan perekonomian sebuah negara. Krisis perekonomian yang terjadi di sebuah negara secara tidak langsung juga membawa dampak bagi perekonomian negara-negara lain di dunia. Jika kondisi financial distress ini bisa diprediksi lebih dini, maka pihak manajemen perusahaan bisa melakukan tindakan-tindakan yang bisa digunakan untuk memperbaiki kondisi keuangan perusahaan. Informasi ini juga bisa dipakai oleh pihak kreditur. Jika kreditur sudah mengetahui bahwa sebuah perusahaan sedang mengalami kondisi financial distress maka sebaiknya kreditur tidak memberikan pinjaman karena akan sangat beresiko. Pihak lainnya yang juga terkait dengan kondisi financial distress sebuah perusahaan adalah para investor karena para investor sebaiknya tidak menginvestasikan uangnya pada perusahaan yang sedang mengalami financial distress. Kondisi financial distress yang tidak segera diperbaiki dapat menimbulkan kebangkrutan perusaahan. Kebangkrutan sebuah perusahaan dapat menyebabkan gangguan ekonomi untuk pihak manajemen perusahaan, investor, kreditur, pemasok, karyawan, dan bahkan dapat mengganggu kestabilan perekonomian sebuah negara. Dengan alasan inilah prediksi financial distress menjadi topik bahasan yang penting dalam urusan finansial atau keuangan. ISBN : 978-602-70604-0-1 A-6-1
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
Penelitian mengenai prediksi kebangkrutan sudah dimulai sejak tahun 1960-an dan terus berkembang hingga saat ini. Altman (1968) melakukan prediksi kebangkrutan dengan menggunakan data dari laporan keuangan dan menyatakan bahwa proses kebangkrutan sebuah perusahaan merupakan proses dalam jangka waktu yang panjang sehingga dalam sebuah laporan keuangan seharusnya tercantum signal peringatan akan terjadinya kebangkrutan. Penelitian yang dilakukan oleh Altman (1968) menggunakan metode MDA (Multiple Discriminant Analysis) dimana metode MDA ini mengasumsikan bahwa variabel bebas (independent variables) harus memenuhi multivariate normal distribution dan memiliki matiks kovarian yang sama. Dimulai dari penelitian Altman, bermunculan penelitian-penelitian lainnya dengan pengembangan metode statistik, seperti logistic regression (Martin, 1997). Adanya asumsi-asumsi yang ketat dalam metode tradisional statistik seperti linearitas dan normalitas membuat aplikasinya dalam permasalahan menjadi terbatas (Delen at al., 2013). Dari metode statistik, kemudian muncul penelitian-penelitian dengan menggunakan teknik data mining untuk membangun model prediksi financial distress, dimana kelebihan dari teknik-teknik data mining adalah tidak adanya asumsi-asumsi linearitas dan normalitas seperti dalam metode tradisional statistik. Salah satu peranan dari data mining adalah teknik klasifikasi yang bertujuan untuk menghasilkan model sehingga dapat menggolongkan data testing ke dalam kelas seakurat mungkin. Pada tahun 1990-an perkembangan teknik data mining dan kecerdasan buatan (artificial intelligent) meliputi beragam metode, seperti decision tree (DT), case-base reasoning (CBR), artificial neural network (ANN), dan support vector machine (SVM). Teknik-teknik tersebut banyak diaplikasikan untuk memprediksi financial distress perusahaan (Chen, 2011). Pada beberapa penelitian, metode SVM telah terbukti sebagai metode yang cukup handal untuk kasus klasifikasi dan regresi. Shin at al. (2005) dan Min dan Lee (2005) menggunakan SVM untuk memprediksi kebangkrutan dari beberapa perusahaan di Korea Selatan dan menyimpulkan bahwa SVM lebih baik daripada MDA (Multiple Discriminant Analysis), Logit (Logistic Regression), dan NN (Neural Network). Hui dan Sun (2006) dan Ding et al. (2008) juga menggunakan SVM untuk memprediksi financial distress pada perusahaan-perusahaan di Cina dan mendapatkan hasil yang sama. Nisa (2013) menggunakan metode SVM dan LDA (Linear Discriminant Analysis) untuk memprediksi financial distress pada perusahaan manufaktur di Indonesia dan didapatkan hasil bahwa metode SVM memberikan akurasi yang lebih baik daripada LDA. Untuk membuat sebuah model prediksi financial distress yang cukup akurat, selain metode pemodelan, ada hal lain yang perlu diperhatikan yaitu tentang pemilihan variabel input. Sebagai variabel input dalam pembuatan model prediksi financial distress dapat digunakan variabel-variabel keuangan maupun non-keuangan. Menurut Lin, Liang dan Chen (2011) pemilihan fitur atau variabel yang akan dimasukkan sebagai input (variabel prediktor) akan mempengaruhi akurasi dari model prediksi finansial. Oleh karena itu, pemilihan variabel rasio keuangan maupun rasio non-keuangan merupakan langkah penting pada tahap preprocessing sehingga akan terpilih beberapa variabel penting yang akan dimasukkan ke dalam model prediksi dan mengeliminasi variabel-variabel yang tidak penting atau tidak memberikan dampak signifikan dalam model prediksi. Teknik pemilihan variabel rasio finansial yang umumnya digunakan pada sebagian besar penelitian sebelumnya adalah menggunakan teknik statistik seperti Principal Component Analysis (PCA), Factor Analysis, t-test, Stepwise Regression dan Correlation Matrix (Tsai, 2009) dimana teknik statistik ini mengabaikan pendapat dan pengalaman para ahli (expertise) di bidang keuangan. Dalam proses pemilihan variabel tentunya akan ada perbedaan preferensi antara pihak kreditur, investor, dan manajemen perusahaan. Para kreditur jangka pendek cenderung akan lebih fokus pada rasio likuiditas, seperti rasio modal kerja, current ratio, acid test/quick ratio, ISBN : 978-602-70604-0-1 A-6-2
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
account receivable turnover (perputaran piutang), inventory turnover (perputaran persediaan), (Prastowo, 2011). Sedangkan para kreditur jangka panjang cenderung akan lebih fokus kepada rasio solvabilitas, seperti debt-to-equity ratio dan time interest earned (Prastowo, 2011). Pihak investor akan lebih fokus pada rasio-rasio yang terkait dengan saham, seperti earning per share, Price/Earning Ratio (P/E Ratio atau PER), Book Value per share. Pihak manajemen perusahaan akan lebih fokus pada rasio-rasio kinerja perusahaan seperti gross profit margin, net profit margin, operating income margin. Dari preferensi masing-masing pihak yang berbeda-beda tersebut akan menimbulkan conflicting kriteria dalam pemilihan variabel keuangan yang akan dijadikan sebagai input dari model prediksi financial distress. Oleh sebab itu, diperlukan sebuah pendekatan multi kriteria dalam proses seleksi variabel agar dapat mengakomodasikan kepentingan-kepentingan dari semua pihak yang terkait dengan manfaat model prediksi financial distress ini. Dalam penelitian ini akan dikembangkan sebuah teknik pemilihan variabel yang belum pernah ada pada penelitian sebelumnya yaitu dengan cara melibatkan para ahli (expertise) di bidang keuangan serta para praktisi untuk memperoleh variabel-variabel keuangan yang nantinya akan digunakan sebagai input dalam pembuatan model prediksi financial distress. Tingkat preferensi dari para ahli keuangan dan praktisi ini akan dihitung sebagai bobot untuk tiap-tiap variabel. Metode pembobotan yang akan digunakan dalam penelitian adalah AHP (Analytic Hierarchy Process), dimana kelebihan dari metode AHP ini dapat mengakomodasi variabel-variabel yang sifatnya kuantitatif dan kualitatif. Dari hasil seleksi variabel tersebut akan terpilih beberapa variabel sebagai input pada model prediksi financial distress. Model prediksi financial distress yang akan digunakan dalam penelitian ini menggunakan metode Support Vector Machine (SVM). METODE Data Penelitian Penelitian ini menggunakan sampel perusahaan manufaktur terbuka yang terdaftar pada Bursa Efek Indonesia (BEI). Perusahaan yang menjadi obyek amatan dalam penelitian ini adalah perusahaan yang memiliki laporan keuangan lengkap yang terdiri dari laporan rugi laba, neraca, laporan perubahan ekuitas, laporan arus kas dan catatan keuangan dari auditor independent. Laporan keuangan yang akan digunakan dalam penelitian ini adalah laporan keuangan tahunan yang telah diaudit pada periode 2010 sampai dengan 2012. Data yang dikumpulkan untuk penelitian ini adalah data laporan keuangan perusahaan manufaktur terbuka yang ada di Indonesia yang terdaftar pada BEI sebanyak 116 perusahaan dari semua sub sektor industri manufaktur. Data sekunder berupa laporan keuangan perusahaan-perusahaan amatan dapat diperoleh melalui website BEI di www.idx.co.id dan juga dari Indonesia Capital Market Directory (ICMD) yang diterbitkan oleh ECFIN (Institute For Economic and Financial Research). Indikator utama perusahaan yang mengalami financial distress adalah adanya opini going concern dari auditor. Menurut hasil penelitian Hopwood et al. (1989) dalam Setyowati (2009), tidak semua perusahaan yang mengalami financial distress akan menerima opini going concern dari auditor. Oleh sebab itu, selain dilihat dari opini auditor, kriteria lainnya yang digunakan untuk menentukan perusahaan yang mengalami financial distress adalah jika perusahaan tersebut dalam laporan keuangannya memenuhi salah satu atau lebih dari kriteria berikut (Setyowati, 2009): Modal kerja negatif, artinya perusahaan memiliki hutang lancar yang lebih besar daripada aktiva lancar, saldo rugi atau defisit, laba bersih negatif. Data yang akan diberi label sebagai perusahaan yang mengalami financial distress adalah data untuk tahun 2012 dengan label -1 untuk perusahaan yang mengalami financial distress dan label 1 untuk perusahaan yang tidak mengalami financial distress. Dari 116 ISBN : 978-602-70604-0-1 A-6-3
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
perusahaan yang diamati, terdapat 34 perusahaan yang masuk kategori financial distress dan 82 perusahaan yang tidak mengalami financial distress. Identifikasi Variabel Variabel-variabel yang akan digunakan pada penelitian ini meliputi variabel keuangan dan non keuangan, baik yang bersifat kuantitatif maupun kualitatif. Variabel-variabel yang digunakan pada penelitian ini mengacu pada variabel-variabel yang digunakan pada penelitian dengan topik yang sama yaitu prediksi financial distress. Secara lengkap, variabel yang diidentifikasi dapat dilihat pada Tabel 1. Seleksi Variabel Proses seleksi variabel dalam penelitian ini menggunakan metode Analytic Hierarchy Process (AHP) dimana kelebihan dari metode pembobotan dengan AHP adalah kemampuannya dalam mengakomodasikan variabel-variabel kuantitatif maupun kuantitatif dengan nilai kepentingan dalam pembobotan disesuaikan dengan preferensi dan pengalaman dari praktisi. Gambar susunan hirarki AHP dapat dilihat pada Gambar 1. Proses pembobotan dilakukan dengan membagikan kuesioner kepada tiga orang praktisi yaitu pemain saham sebagai pihak investor, sub-branch manager bank sebagai pihak kreditur, dan accounting perusahaan Tabel 1 Daftar Variable Kriteria Rasio Likuiditas
Rasio Solvabilitas Rasio Profitabilitas
Rasio Pemanfaatan Assets Rasio Investor
Internal Governance
Sub Kriteria
Sumber
Working Capital-to-Total Asset Current Ratio Quick Ratio Account Receivable Turnover Inventory Turnover Debt-to-Equity Leverage Ratio Gross Profit Margin Net Profit Margin Operating Profit Margin ROE ROA Asset Turenover Rate Working Capital Turnover Rate Fixed Asset Turnover Rate EPS PER Dividend Payout Dividend Yield Book Value per Share Board Size Shares Concentration
Beaver (1966), Altman (1968), Lin et al. (2011), Nisa (2013) Gitman (2009), Nisa (2013) Chen (2011) Gitman (2009), Chen (2011), Nisa (2013) Gitman (2009), Chen (2011), Nisa (2013) Chen (2011) Gitman (2009), Chen (2011), Nisa (2013) Gitman (2009), Chen (2011), Nisa (2013) Gitman (2009), Chen (2011), Nisa (2013) Setyowati (2009) Li & Sun (2009), Chen (2011), Nisa (2013) Gitman (2009), Lin et al. (2011), Chen (2011), Nisa (2013) Chen (2011) Chen (2011) Chen (2011) Chen (2011) Prastowo (2011) Prastowo (2011) Prastowo (2011) Chen (2011) Xie et al. (2011), Nisa (2013) Xie et al. (2011) Setyowati (2009) Setyowati (2009)
Firm size Opini Auditor Reputasi auditor
Setyowati (2009)
ISBN : 978-602-70604-0-1 A-6-4
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
Gambar 1 Susunan Hirarki AHP
Transformasi Data Transformasi data ini perlu dilakukan untuk membuat rentang data yang sebelumnya tidak sama untuk setiap variabel menjadi seragam sesuai dengan rentang yang telah ditentukan. Teknik yang akan digunakan dalam melakukan transformasi data dalam penelitian ini adalah scaling. Dalam penelitian ini akan digunakan skala (-1,1), dimana dalam hal ini, batas bawah (BB) adalah -1 dan batas atas (BA) adalah 1. Jika nilai maksimum tiap kolom adalah Xmax dan nilai minimumnya adalah Xmin, untuk mengubah data ke skala baru, dapat digunakan rumus (Santosa, 2007): − ( )+ = − − Pembagian Data Training Dan Data Testing
Untuk penentuan jumlah data training, diambil jumlah data yang sama antara perusahaan yang tidak mengalami financial distress dengan perusahaan yang mengalami financial distress. Untuk data training masing-masing diambil 20 data sedangkan untuk data testing diambil masing-masing 10 data. Pengujian Model Menggunakan SVM Untuk pengujian model dengan SVM diambil beberapa jenis Kernel yaitu Kernel linear, polynomial, dan rbf untuk dibandingkan persentase miklasifikasi dari tiap-tiap jenis Kernel beserta parameternya. Nilai konstanta C yang digunakan HASIL DAN PEMBAHASAN Hasil pembobotan dari kuesioner AHP dapat dilihat pada Tabel 2. Dari hasil pembobotan diambil 80% bobot variabel kumulatif sehingga didapatkan 12 variabel, yaitu ROE, net profit margin, ROA, current ratio, EPS, leverage ratio, PER, quick ratio, working capital turnover rate, operating profit margin, opini auditor, dan account receivable turnover. ISBN : 978-602-70604-0-1 A-6-5
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
Tabel 2 Hasil pembobotan Variabel
Bobot 0.154 0.129 0.089 0.072 0.066 0.064 0.059 0.037 0.037 0.033 0.032 0.03 0.029 0.029 0.027 0.016 0.016 0.015 0.013 0.012 0.012 0.012 0.009 0.005 0.002
ROE Net profit margin ROA Current ratio EPS Leverage ratio PER Quick ratio Working capital turnover rate Operating profit margin Opini auditor Account receivable turnover Working capital-to-total asset Firm size Inventory turnover Debt-to-equity Gross profit margin Dividend payout Book value per share Asset turnover rate Dividend yield Share concentration Reputasi auditor Fixed asset turnover rate Board size
Bobot Kumulatif (%) 15.4 28.3 37.2 44.4 51 57.4 63.3 67 70.7 74 77.2 80.2 83.1 86 88.7 90.3 91.9 93.4 94.7 95.9 97.1 98.3 99.2 99.7 99.9
Hasil dari uji coba model menggunakan SVM dapat dilihat pada Tabel 3 dan Tabel 4. Tabel 3 Hasil percobaan model dengan menggunakan SVM dengan variabel yang belum diseleksi Kernel
Misklasifikasi (%)
Kernel
Misklasifikasi (%)
Linear, C=10
25
Linear, C=100
25
Polynomial derajat 2, C=10
30
Polynomial derajat 2, C=100
30
Polynomial derajat 3, C=10
35
Polynomial derajat 3, C=100
35
Polynomial derajat 4, C=10
50
Polynomial derajat 4, C=100
50
Polynomial derajat 5, C=10
35
Polynomial derajat 5, C=100
35
RBF, σ = 1, C=10
35
RBF, σ = 1, C=100
35
RBF, σ = 2, C=10
25
RBF, σ = 2, C=100
35
RBF, σ = 3, C=10
20
RBF, σ = 3, C=100
35
RBF, σ = 4, C=10
35
RBF, σ = 4, C=100
30
RBF, σ = 5, C=10
35
RBF, σ = 5, C=100
25
ISBN : 978-602-70604-0-1 A-6-6
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
Dari hasil pada Tabel 3 terlihat bahwa tingkat misklasifikasi terbaik diberikan oleh Kernel RBF dengan σ = 3 dan C=10 sebesar 20%. Untuk Kernel linear, nilai C tidak memberikan perbedaan pada tingkat misklasifikasi, sedangkan untuk Kernel RBF, perbedaan nilai C memberikan perbedaan tingkat misklasifikasi yang cukup signifikan. Perbedaan jenis Kernel dan perbedaan parameter yang digunakan juga memberikan pengaruh pada tingkat misklasifikasi. Untuk bisa mendapatkan nilai misklasifikasi terkecil perlu dicoba beberapa kombinasi antara jenis Kernel, parameternya dan juga nilai C. Tabel 4 Hasil percobaan model dengan menggunakan SVM dengan variabel yang telah diseleksi Kernel
Misklasifikasi (%)
Kernel
Misklasifikasi (%)
25 30 25 25 50 20 15 20 40 35
Linear, C=100 Polynomial derajat 2, C=100 Polynomial derajat 3, C=100 Polynomial derajat 4, C=100 Polynomial derajat 5, C=100 RBF, σ = 1, C=100 RBF, σ = 2, C=100 RBF, σ = 3, C=100 RBF, σ = 4, C=100 RBF, σ = 5, C=100
20 30 25 25 50 15 25 25 25 20
Linear, C=10 Polynomial derajat 2, C=10 Polynomial derajat 3, C=10 Polynomial derajat 4, C=10 Polynomial derajat 5, C=10 RBF, σ = 1, C=10 RBF, σ = 2, C=10 RBF, σ = 3, C=10 RBF, σ = 4, C=10 RBF, σ = 5, C=10
Bila dibandingkan antara hasil percobaan pada Tabel 3 dan Tabel 4, secara garis besar dapat disimpulkan bahwa tingkat misklasifikasi menjadi semakin kecil ketika menggunakan variabel yang telah diseleksi menggunakan AHP. Proses seleksi variabel yang telah dilakukan dapat memperkecil tingkat kesalahan pada model dalam mengklasifikasikan data. Tingkat misklasifikasi terkecil diberikan oleh Kernel RBF dengan parameter σ = 2 dan C=10 sebesar 15%. KESIMPULAN DAN SARAN Kesimpulan dari hasil penelitian ini adalah sebagai berikut: 1. Dari proses seleksi variabel menggunakan AHP didapatkan 12 variabel sebagai variabel prediktor pada model. 2. Proses seleksi variabel dengan AHP dapat memperkecil tingkat misklasifikasi pada model prediksi financial distress. 3. Pada percobaan yang telah dilakukan, tingkat misklasifikasi terkecil diberikan oleh Kernel RBF dengan parameter σ = 2 dan C=10 sebesar 15% dengan menggunakan 12 variabel hasil seleksi. Saran untuk penelitian selanjutnya adalah untuk variabel yang digunakan dapat ditambahkan variabel-variabel kualitatif lainnya dengan mempertimbangkan kondisi makro ekonomi dan kebijakan sektoral yang berlaku pada industri manufaktur di Indonesia. DAFTAR PUSTAKA Altman, E. I. (1968), “Financial Ratios Discriminant Analysis and The Prediction of Corporate Bankruptcy”, Journal of Finance, Vol. 23, hal. 1-22.
ISBN : 978-602-70604-0-1 A-6-7
Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014
Beaver, W. (1966), “Financial ratios as Predictors of Failure”, Journal of Accounting Research, Vol. 4, hal. 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 Applications, Vol. 62, hal. 4514-4524. Delen, D.,Kuzey, C. dan Uyar, A. (2013), “Measuring Firm Performance Using Financial Ratio: A Desicion Approach”, Expert Systems with Applications, Vol. 40, hal. 39703983. Ding , Y., Song, X. dan Zeng, Y. (2008), “Forecasting Financial Condition of Chinese Listed Companies based on Support Vector Machine”, Expert Systems with Applications, Vol. 34, hal. 3081-3089. Gitman, L. J. (2009), Principle of Management Finance, 12th edition, Pearson Education Inc., Boston. Hui, X. F. dan Sun, J. (2006), “An Application of Support Vector Machine to Companies’ Financial Distress Prediction”, Lecture Notes Artificial Intelligent, Vol. 3885, hal. 274282. Lin, F., Liang, D., dan Chen, E. (2011), “Financial Ratio Selection for Business Crisis Prediction”, Expert Systems with Applications, Vol. 38, hal. 15094-15102. Martin, D. (1997), “Early Warning of Bank Failure: A Logit Regression Approach”, Journal of Banking and Finance, Vol. 1, hal. 249-276. Min, J. H. dan Lee, Y. C. (2005), “Bankruptcy Prediction Using Support Vector Machine With Optimal Choice of Kernel Function Parameters”, Expert Systems with Applications, Vol. 28, hal. 128-134. Nisa, U. Z. (2013), “Model Prediksi Finansial Distress Pada Perusahaan Manufaktur Go Public di Indonesia”, Thesis Program Magister Bidang Optimasi Sistem Industri Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember. Prastowo, D. (2011), Analisis Laporan Keuangan Konsep dan Aplikasi, Edisi ketiga, UPP STIM YKPN, Yogyakarta. Shin, K. S., Lee, T. S. dan Kim, H. J. (2005), “An Application of Support Vector Machine in Bankruptcy Prediction Model”, Expert Systems with Applications, Vol. 28, hal. 127135. Setyowati, W. (2009), “Strategi Manajemen Sebagai Faktor Mitigasi Terhadap Penerimaan Opini Going Concern”, Tesis Program Pasca Sarjana Universitas Diponegoro Semarang. Tsai, C. F. (2009), “Feature Selection in Bankruptcy Prediction”, Knowledge Based Systems, Vol. 22, hal. 120-127. Xie, C., Luo, C., dan Yiu, X. (2011), “Financial Distress Prediction Based on SVM and MDA Methods: The Case of Chinese Listed Companies”, Qual Quant, Vol. 45, hal. 671-686.
ISBN : 978-602-70604-0-1 A-6-8