Anda di halaman 1dari 50
• Latar Belakang . • Perumusan Masalah • Tujuan Penelitian . • Manfaat Penelitian •
• Latar Belakang
.
• Perumusan Masalah
• Tujuan Penelitian
.
• Manfaat Penelitian
• Ruang Lingkup Penelitian
.
• Sistematika Penulisan
IHSG merosot tajam saat Dampak kesulitan keuangan perusahaan- perusahaan besar Investor mengetahui masalah keuangan
IHSG merosot tajam saat
Dampak kesulitan
keuangan perusahaan-
perusahaan besar
Investor mengetahui masalah
keuangan setelah laporan
krisis global tahun 2008
keuangan dipublikasikan
Kondisi keuangan internal
Perusahaan dapat
dapat berdampak besar
melakukan tindakan

pada nilai saham

Informasi kondisi rugi sebelum bangkrut (financial distress) menjadi sangat penting

pencegahan kebangkrutan

nilai saham Informasi kondisi rugi sebelum bangkrut (financial distress) menjadi sangat penting pencegahan kebangkrutan
Bagaimana melakukan pengelompokan perusahaan manufaktur yang mengalami kondisi financial distress dengan clustering data
Bagaimana melakukan pengelompokan
perusahaan manufaktur yang mengalami kondisi
financial distress dengan clustering data mining.
Setelah didapatkan hasilnya kemudian dianalisa
rasio keuangan untuk mengetahui kelompok
tersebut merupakan financial distress atau non
financial distress.
Mengetahui Pengelompokan Perusahaan yang Mengalami Kondisi Financial Distress dalam Industri Manufaktur Go-Public di
Mengetahui Pengelompokan Perusahaan yang Mengalami Kondisi Financial
Distress dalam Industri Manufaktur Go-Public di Indonesia
Penulis
Perusahaan
Investor
Peneliti Lain
1. Industri amatan : Industri Manufaktur terdaftar di BEI
2. Metode : K-Means dan Fuzzy C-Means clustering
3. Industri amatan listing di BEI tahun 2005 – 2008
4. Data : Laporan Keuangan terbitan BEI
Financial K-Means Data Mining Distress Clustering Fuzzy C- Means Clustering Rasio – rasio keuangan
Financial
K-Means
Data Mining
Distress
Clustering
Fuzzy C-
Means
Clustering
Rasio – rasio
keuangan
Fuzzy C-Means (FCM) ini mengalokasikan kembali data ke dalam masing-masing cluster dengan memanfaatkan teori Fuzzy.
Fuzzy C-Means (FCM) ini mengalokasikan kembali
data ke dalam masing-masing cluster dengan
memanfaatkan teori Fuzzy. Sesuai dengan namanya
K-Means
adalah
suatu
metode
Rasio
keuangan
diperoleh
dengan
cara
fuzzy yang berarti samar, batas-batas klaster dalam
penganalisaan
menghubungkan
data
elemen-elemen
mining
laporan
yang
Kondisi
dimana
arus
kas
perusahaan
K-Means adalah tegas (hard) sedangkan dalam FCM
Data mining, sering juga disebut
keuangan.
Ada
dua
pengelompokkan
jenis-
melakukan proses permodelan tanpa
FINANCIAL
saat itu sangat rendah dan perusahaan
adalah samar (soft). Prosedur metode ini hampir
knowledge discovery in database (KDD),
jenis rasio keuangan, pertama rasio menurut
supervisi
dan melakukan
DISTRESS
sama dengan metode K-Means kecuali pusat klaster
sedang menderita kerugian akan tetapi
sumber
darimana
rasio
dibuat
dan
dapat
adalah
kegiatan
yang
meliputi sistem
pengelompokan
data
dengan
dihitung dengan mencari rata-rata dari semua titik
belum
dikelompokkan menjadi Rasio Neraca, Laporan
sampai
mengakibatkan
pengumpulan, pemakaian
data historis
dalam suatu klaster dengan diberi bobot berupa
partisi (Agusta, 2007)
DATA MINING
kebangkrutan (Purnanandam, 2008)
Laba Rugi, Antar Laporan. Jenis rasio menurut
untuk menemukan keteraturan, pola
tingkat keanggotaan (degree of belonging) dalam
tujuan penggunaan yakni : Rasio Likuiditas,
K-MEANS
klaster tersebut.
atau hubungan dalam set data
Leverage, Aktivitas, Profitabilitas, Penilaian.
Pengelompokan obyek ke k
klaster. k ini
Semakin meningkat apabila perusahaan
CLUSTERING
harus berukuran ditentukan besar. (Santosa, dahulu. Tujuan 2007) metode
tersebut
Dengan tingkat keanggotaan ini dapat dilihat data
memiliki
biaya
tetap
yang
Terdapat
dua
cara
perbandingan
yakni
ini
meminimalkan
objective
function
FUZZY C-MEANS
tinggi, aset yang tidak likuid, ataupun
mana yang sebenarnya berada dalam daerah abu-
membandingkan rasio sekarang dengan rasio
Data
mining
merupakan
salah
satu
abu. Dengan nilai tingkat keanggotaan harus diambil
yang diset dalam proses clustering, yang
tahun
lalu
rasio-rasio
CLUSTERING
keuntungan perusahaan yang semakin
dan
membandingkan
bidang
keilmuan,
yang
berusaha
keputusan
pada
perusahaan
umumnya
ke
dengan
klaster
kelompok
mana
meminimalisasikan
suatu
perusahaan
data
harus
menurun
seiring
dengan
penurunan
RASIO-RASIO
dimasukkan.
menggali pola yang ada dalam data.
sejenis (rasio industri).
Dan
hasil
metode
FCM
ini sangat
variasi
dalam
cluster
dan
maksimasi
kondisi perekonomian
bergantung pada nilai awal pusat klaster yang
KEUANGAN
variasi antar cluster.
diberikan (Santosa, 2007)
MULAI IDENTIFIKASI DAN PERUMUSAN MASALAH PENENTUAN TUJUAN DAN MANFAAT PENELITIAN STUDI LITERATUR : KONSEP DATA
MULAI
IDENTIFIKASI DAN PERUMUSAN MASALAH
PENENTUAN TUJUAN DAN MANFAAT PENELITIAN
STUDI LITERATUR :
KONSEP DATA MINING
K-MEANS CLUSTERING
FUZZY C-MEANS CLUSTERING
FINANCIAL DISTRESS
ANALISA RASIO KEUANGAN
PENGUMPULAN DATA LAPORAN KEUANGAN PERUSAHAAN
MANUFAKTUR TERBUKA DI INDONESIA
A
A OPERASIONALISASI VARIABEL X 1 , X 2 , X 3 , X 4 ,
A
OPERASIONALISASI VARIABEL X 1 , X 2 , X 3 , X 4 , X 5
PENGOLAHAN DATA DENGAN
METODE K-MEANS CLUSTERING
PENGOLAHAN DATA DENGAN
METODE FUZZY-MEANS CLUSTERING
PERBANDINGAN KEDUA METODE
ANALISIS DAN INTERPRETASI HASIL
KESIMPULAN DAN SARAN
SELESAI
Perbandi- Pengum- Operasio- Fuzzy C- K-Means ngan K- pulan nalisasi Means Clustering Means Data Variabel
Perbandi-
Pengum-
Operasio-
Fuzzy C-
K-Means
ngan K-
pulan
nalisasi
Means
Clustering
Means
Data
Variabel
Clustering
dan FCM
Kode No. Nama Emiten JASICA ICMD Emiten PT Akasha Wira International Tbk 1 ADES (Sebelumnya:
Kode
No.
Nama Emiten
JASICA
ICMD
Emiten
PT Akasha Wira International Tbk
1
ADES
(Sebelumnya: PT Ades Waters Indonesia
51
B01
Tbk)
2
ADMG
PT Polychem Indonesia Tbk
43
B16
3
AISA
PT Tiga Pilar Sejahtera Food Tbk
51
B01
4
AKKU
PT Aneka Kemasindo Utama Tbk
35
B09
5
AKPI
PT Argha Karya Prima Industry Tbk
35
B09
6
AKRA
PT AKR Corporindo Tbk
91
B07
7
ALMI
PT Alumindo Light Metal Industry Tbk
33
B11
8
AMFG
PT Asahimas Flat Glass Tbk
32
B09
9
APLI
PT Asiaplast Industries Tbk
35
B09
10
AQUA
PT Aqua Golden Mississippi Tbk
51
B01
11
ARGO
PT Argo Pantes Tbk
43
B03
12
ARNA
PT Arwana Citramulia Tbk
32
B13
13
ASGR
PT Astra-Graphia Tbk
97
B15
14
ASII
PT Astra International Tbk
42
B16
15
AUTO
PT Astra Otoparts Tbk
42
B16
16
BATA
PT Sepatu Bata Tbk
44
B04
17
BATI
PT BAT Indonesia Tbk
52
B02
18
BIMA
PT Primarindo Asia Infrastructure Tbk
44
B04
19
BRAM
PT Indo Kordsa Tbk
42
B16
20
BRNA
PT Berlina Tbk
35
B09
21
BRPT
PT Barito Pacific Tbk
34
B05
22
BTON
PT Betonjaya Manunggal Tbk
33
B11
23
BUDI
PT Budi Acid Jaya Tbk
34
B07
24
CEKA
PT Cahaya Kalbar Tbk
51
B01
25
CLPI
PT Colorpak Indonesia Tbk
91
B07
26
CNTX
PT Century Textile Industry (CENTEX) Tbk
43
B03
27
CTBN
PT Citra Tubindo Tbk
33
B11
28
DAVO
PT Davomas Abadi Tbk
51
B01
29
DLTA
PT Delta Djakarta Tbk
51
B01
30 DPNS
PT Duta Pertiwi Nusantara Tbk
34
B08
31 DVLA
PT Darya-Varia Laboratoria Tbk
53
B18
X 1 = (current assets-current liabilities) / total assets X 2 = retained earnings /
X 1 = (current assets-current liabilities) / total assets
X 2 = retained earnings / total assets
X 3 = EBIT / total assets
X 4 = book value of equity / book value of total debt
X 5 = sales / total assets
Proses permodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan
Proses permodelan tanpa supervisi (unsupervised) dan merupakan
salah satu metode yang melakukan pengelompokan data dengan
sistem partisi (mengelompokkan obyek x ke dalam k klaster)
Pengelompokkan obyek ke dalam k kelompok atau klaster. Untuk
melakukan teknik ini, nilai k harus ditentukan terlebih dahulu, biasanya user
atau pemakai sudah mempunyai informasi awal tentang jumlah klaster
yang paling tepat (Santosa, 2007).
Tujuan utama metode klaster : pengelompokan sejumlah data/obyek
ke dalam klaster (grup) sehingga dalam setiap klaster akan berisi data
yang semirip mungkin (data yang jaraknya berdekatan).
Algoritma K-Means melibatkan parameter input, k, dan mempartisi
sejumlah n data atau obyek kedalam k klaster sehingga menghasilkan
similarity intra klaster yang tinggi namun similarity antar klaster rendah.
Berbeda dengan K-Means, dalam metode ini setiap data bisa menjadi anggota dari beberapa klaster. Batas-batas
Berbeda dengan K-Means, dalam metode ini setiap data bisa menjadi anggota
dari beberapa klaster. Batas-batas klaster dalam FCM adalah samar (soft).
Prosedur metode ini hampir sama dengan metode K-Means kecuali pusat
klaster dihitung dengan mencari rata-rata dari semua titik dalam suatu
klaster dengan diberi bobot berupa tingkat keanggotaan (degree of
belonging) dalam klaster tersebut.
Dengan tingkat keanggotaan ini dapat dilihat data mana yang sebenarnya
berada dalam daerah abu-abu. Dengan nilai tingkat keanggotaan harus
diambil keputusan ke klaster mana suatu data harus dimasukkan. Dan hasil
metode FCM ini sangat bergantung pada nilai awal pusat klaster yang
diberikan (Santosa, 2007).
Dalam metode Fuzzy K-Means dipergunakan variabel membership
function, U ik , yang merujuk pada seberapa besar kemungkinan
suatu data bisa menjadi anggota ke dalam suatu cluster.
SSE (Sum of Squared Error) : D i = klaster m i = rata-rata setiap
SSE (Sum of Squared Error) :
D i = klaster
m i = rata-rata setiap klaster
x = set data
k = jumlah kelompok
icdrate (internal cluster dispersion rate)
n = jumlah vektor yang diamati
d j0 = Jarak Euclidean antara nilai tengah klaster j th dan
keseluruhan nilai vektor rata-rata.
d l = Jarak Euclidean antara vektor observasi l th dan

keseluruhan contoh rata-rata vektor

nilai vektor rata-rata. d l = Jarak Euclidean antara vektor observasi l th dan keseluruhan contoh
nilai vektor rata-rata. d l = Jarak Euclidean antara vektor observasi l th dan keseluruhan contoh
nilai vektor rata-rata. d l = Jarak Euclidean antara vektor observasi l th dan keseluruhan contoh
2004

2004

SSB SSW 2 R SSE icdrate
SSB
SSW
2
R
SSE
icdrate

K-Means

263.7194

193.9716

0.5762

193.9716

0.4238

262.3952 195.2958 0.5733 195.2958 0.4267 SSW 2 R SSE icdrate 281.111 194.1835 0.5914 194.1835 0.4086
262.3952
195.2958
0.5733
195.2958
0.4267
SSW
2
R
SSE
icdrate
281.111
194.1835 0.5914
194.1835 0.4086
281.111
194.1835 0.5914
194.1835 0.4086
435.2313
336.5744
0.5639
336.5744
0.4361
221.5145
262.5563
0.4576
262.5563
0.5424
239.7071
273.2748
0.4673
273.2748
0.5327

2005 SSB

2006

SSB

SSW

R

2

SSE

icdrate

K-Means

439.1826

332.623

0.5690

332.623

0.4310

2007

SSB

SSW

R

2

SSE

icdrate

K-Means

225.8405

258.2303

0.4665

258.2303

0.5335

2008

SSB

SSW

R

2

SSE

icdrate

K-Means

246.0227

266.9591

0.4796

266.9591

0.5204

2008 SSB SSW R 2 SSE icdrate K-Means 246.0227 266.9591 0.4796 266.9591 0.5204
Analisa Metode Unsupervised Learning Analisa Hasil Pengelompokan K-Means Analisa Rasio Keuangan Analisa Klaster 1 dan
Analisa Metode Unsupervised Learning
Analisa Hasil Pengelompokan K-Means
Analisa Rasio Keuangan
Analisa Klaster 1 dan Klaster 2
K-Means Fuzzy C-Means Metode Anggota Anggota Anggota Anggota Tahun Klaster 1 Klaster 2 Klaster 1
K-Means
Fuzzy C-Means
Metode
Anggota
Anggota
Anggota
Anggota
Tahun
Klaster 1
Klaster 2
Klaster 1
Klaster 2
2004
15
120
17
118
2005
19
116
19
116
2006
6
129
7
128
2007
16
119
24
111
2008
20
115
24
111
SSE icdrate Tahun Amatan K-Means Fuzzy C-Means K-Means Fuzzy C-Means 2004 193.9716 195.2958 0.4238 0.4267
SSE
icdrate
Tahun
Amatan
K-Means
Fuzzy C-Means
K-Means
Fuzzy C-Means
2004 193.9716
195.2958
0.4238
0.4267
2005 194.1835
194.1835
0.4086
0.4086
2006
332.623
336.5744
0.4310
0.4361
258.2303
262.5563
0.5335
0.5424
2007
2008
266.9591
273.2748
0.5204
0.5327
Semakin kecil nilai SSE, semakin bagus hasil klastering (Santosa, 2007).
Semakin kecil nilai icdrate, semakin bagus hasil pengelompokan (Eviritt, 2001).
Metode K-Means Clustering Anggota Anggota Tahun SSE icdrate Klaster 1 Klaster 2 2004 15 120
Metode K-Means Clustering
Anggota
Anggota
Tahun
SSE
icdrate
Klaster 1
Klaster 2
2004
15
120
193.9716
0.4238
2005
19
116
194.1835
0.4086
2006
6
129
332.623
0.4310
2007
16
119
258.2303
0.5335
20
115
266.9591
0.5204
2008
Indikasi Financial Distress:
- Beberapa tahun mengalami laba bersih (net income) operasi negatif
(Whitaker 1999)
- Selama dua tahun berturut-turut tidak melakukan pembayaran
deviden (Lau 1987).
- Analisis laporan keuangan dari perusahaan serta perbandingannya
dengan perusahaan lain. (Foster 1986).
Klaster 1 • Contoh : PT Lion Metal Works Tbk. current asset current liabilities total
Klaster 1
• Contoh : PT Lion Metal Works Tbk.
current asset
current liabilities
total assets
Rp183,763,364,091
Rp33,978,658,878
Rp216,129,508,805
0.693032183

Perusahaan

PT Lion Metal Works Tbk

retained earnings (appropriated) Rp4,668,000,000 Profit loss before tax Rp36,739,531,686 Total Equity

retained earnings

(appropriated)

Rp4,668,000,000

Profit loss before

tax

Rp36,739,531,686

Total Equity

Rp169,869,656,190

Sales

Rp179,568,434,429

retained earning

(unappropriated)

Rp111,231,025,969

Interest Expense

Rp23,317,823,710

Total Liabilities

Rp46,259,852,615

total assets

Rp216,129,508,805

X2 (Retained

Earning/Total

0.536248042

X3 (EBIT/Total

Assets)

0.277876703

X4 (Total Equity /

Total Liabilities)

3.672075171

X5 (Sales/Total

0.830837193

Assets) 0.277876703 X4 (Total Equity / Total Liabilities) 3.672075171 X5 (Sales/Total 0.830837193
Assets) 0.277876703 X4 (Total Equity / Total Liabilities) 3.672075171 X5 (Sales/Total 0.830837193

X1 (Working Capital/Tota Assets)

Analisa

X • Jumlah aset > liabilitas menunjukkan perusahaan mampu membayar kewajiban jangka pendek dengan lancar.
X
• Jumlah aset > liabilitas menunjukkan perusahaan mampu
membayar kewajiban jangka pendek dengan lancar.
1
• X 1 bernilai positif.
X
• Retained Earnings cukup besar berarti perusahaan
memiliki kelebihan pendapatan (earned surplus).
2
• X 2 bernilai positif
• Profit before tax positif menandakan perusahaan
X
mendapatkan keuntungan.
3
• X 3 bernilai positif
• Ekuitas > liabilitas menunjukkan perusahaan mampu
X
membayar semua kewajiban dengan lancar.
4
• X 4 bernilai positif.
X
• Jumlah sales cukup besar walaupun lebih kecil daripada
total assets.
5
• X 5 bernilai positif.

Perusahaan tidak pernah memiliki nilai net income negatif selama lima tahun amatan dan selalu membayarkan dividen.

Kesimpulan • Indikator Financial Distress : • - Beberapa tahun mengalami laba bersih (net income)
Kesimpulan
• Indikator Financial Distress :
• - Beberapa tahun mengalami laba bersih (net income)
operasi negatif
• - Selama dua tahun berturut-turut tidak melakukan
pembayaran deviden
• Klaster 1 merupakan klaster perusahaan yang tidak
mengalami kondisi financial distress. Klaster 1
merupakan klaster non-financial distress.
Klaster 2 • Contoh PT Akasha Wira International Tbk
Klaster 2
• Contoh PT Akasha Wira International Tbk
retained earnings (appropriated) Rp1,072 Profit loss before tax -Rp151,986 Total Equity Rp67,106 retained

retained earnings

(appropriated)

Rp1,072

Profit loss before

tax

-Rp151,986

Total Equity

Rp67,106

retained earning

(unappropriated)

-Rp528,931

Interest Expense

Rp31,984

Total Liabilities

Rp111,655

X2 (Retained Earning/Total

Assets)

-2.952875627

X3 (EBIT/Total Assets)

-0.671298549

X4 (Total Equity / Total

Liabilities)

0.601012046

Sales

Rp131,549

total assets

Rp178,761

X5 (Sales/Total Assets)

0.735893176

Perusahaan

PT Akasha Wira International Tbk

current asset

Rp33,121

current

liabilities

Rp96,346

total assets

Rp178,761

X1 (Working Capital/Tota Assets)

-0.353684529

Analisa

X 1 • Jumlah liabilitas > aset, menunjukkan perusahaan kesulitan membayar kewajiban jangka pendeknya dengan
X
1
• Jumlah liabilitas > aset, menunjukkan perusahaan
kesulitan membayar kewajiban jangka pendeknya dengan
lancar.
• X 1 bernilai negatif
X
• Retained Earnings negatif sebesar hutang yang
dimanfaatkan perusahaan.
2
• X 2 bernilai negatif
X
• Profit before tax negatif menandakan perusahaan tidak
mampu menghasilkan laba dari aset.
3
• X 3 bernilai negatif
X
• Ekuitas < liabilitas menunjukkan perusahaan kesulitan
membayar semua kewajiban dengan lancar.
4
• X 4 bernilai negatif.
X
• Jumlah sales > total assets namun tetap merugi. Hasil
sales digunakan untuk melunasi biaya operasional lainnya.
5
• X 5 bernilai positif.
• Perusahaan mengalami net income negatif selama lima tahun amatan
(2004 hingga 2008).

Perusahaan tidak membayar dividennya selama tiga tahun.

Kesimpulan • Indikator Financial Distress: • - Beberapa tahun mengalami laba bersih (net income) operasi
Kesimpulan
Indikator Financial Distress:
- Beberapa tahun mengalami laba bersih (net
income) operasi negatif
-
Selama
dua
tahun
berturut-turut
tidak
melakukan pembayaran deviden
• Klaster 2 merupakan klaster perusahaan yang
mengalami kondisi financial distress. Klaster 1
merupakan klaster financial distress.
Analisa Rasio Keuangan Tahun 2004 Analisa Rasio Keuangan Tahun 2005 Analisa Rasio Keuangan Tahun 2006
Analisa Rasio Keuangan Tahun 2004
Analisa Rasio Keuangan Tahun 2005
Analisa Rasio Keuangan Tahun 2006
Analisa Rasio Keuangan Tahun 2007
Analisa Rasio Keuangan Tahun 2008
Analisa Rasio Keuangan Tahun 2004 ahu • Hasil plot clustering X 1 tahun 2004 Klaster
Analisa Rasio Keuangan Tahun 2004 ahu • Hasil plot clustering X 1 tahun 2004
Analisa Rasio Keuangan Tahun 2004
ahu
• Hasil plot clustering X 1 tahun 2004

Klaster 1 : bintang biru Klaster 2 : lingkaran merah

X 1 (current assets – current liabilities) / total assets ini merupakan rasio likuiditas Rasio
X 1 (current assets – current liabilities) / total
assets ini merupakan rasio likuiditas
Rasio
likuiditas
menunjukkan
kemampuan
perusahaan
memenuhi
kewajiban
jangka
pendeknya.
Semakin tinggi nilai rasio-nya semakin bagus
karena berarti perusahaan mampu membayar
hutang jangka pendeknya dengan lancar (Fess,
1984).
Pada klaster 1, jumlah anggota sebesar 15 perusahaan menufaktur terbuka dengan nilai variabel X 1
Pada klaster 1, jumlah anggota sebesar 15 perusahaan
menufaktur terbuka dengan nilai variabel X 1 berkisar
antara 0 hingga mendekati 0.7. Nilai terendah yakni
0.068998 (PT Pyridam Farma Tbk) sedangkan nilai
tertinggi yakni 0.661496 (PT Lion Metal Works Tbk).
Pada klaster 2, jumlah anggotanya sebesar 120
perusahaan manufaktur dengan nilai variabel berkisar
diantara nilai -2.5 hingga 0.5. Nilai terendah yakni -
2.43954 (PT Asia Pacific Fibers Tbk) dan nilai tertinggi
yakni 0.559806 (PT Resource Alam Indonesia Tbk).
klaster 1 merupakan kelompok perusahaan-perusahaan manufaktur
yang lebih mampu membayar hutang jangka pendeknya dengan
lancar serta indikasi bahwa perusahaan tersebut tidak terkena kondisi
kesulitan keuangan dibandingkan klaster 2.
X 2 (retained earnings / total assets) ini termasuk rasio leverage. Rasio leverage menunjukkan seberapa
X 2 (retained earnings / total assets)
ini termasuk rasio leverage.
Rasio leverage menunjukkan seberapa besar
kebutuhan dana perusahaan dibelanjai dengan
hutang.
Perusahaan dengan nilai RE tinggi, relatif terhadap
TA, telah membiayai aset mereka melalui retensi
keuntungan dan belum banyak memanfaatkan
hutang (Altman, 2000).
Semakin tinggi nilai RE/TA semakin baik dan
semakin rendah nilai RE/TA semakin buruk.
Pada klaster 1, nilai X 2 memiliki rentang dari 0 hingga mendekati 0,7. Nilai terendah
Pada klaster 1, nilai X 2 memiliki rentang dari 0 hingga mendekati
0,7. Nilai terendah adalah 0,007931 (PT Allbond Makmur Usaha
Tbk) dan nilai tertinggi adalah 0,699483 (PT Delta Djakarta Tbk).
Nilai ini menunjukkan perbandingan antara retained earnings
dengan total assets perusahaan.
Pada klaster 2, nilai X 2 memiliki rentang nilai dari mendekati -2 hingga 1
dengan beberapa nilai dibawah 0. Nilai terendah adalah -1,99196 (PT
Asia Pacific Fibers Tbk) dan nilai tertinggi adalah 0,87007 (PT Panasia
Indosyntec Tbk). Sehingga dapat disimpulkan nilai klaster 2 lebih rendah
daripada nilai klaster 1.
Sebanyak 42 perusahaan di klaster 2 memiliki nilai minus, sehingga bila
dibandingkan dengan klaster 1, klaster 2 bernilai lebih rendah.
Klaster 1 merupakan kelompok perusahaan-perusahaan
manufaktur yang membiayai asset perusahaan dengan retensi
laba serta indikasi bahwa perusahaan tersebut tidak terkena
kondisi kesulitan keuangan dibandingkan klaster 2.
X 3 (Earnings Before Interest and Taxes / Total Assets) ini termasuk rasio fixed assets
X 3 (Earnings Before Interest and
Taxes / Total Assets) ini termasuk
rasio fixed assets turnover.
Rasio Daya Laba Dasar (EBIT/TA) mencoba mengukur
efektivitas perusahaan dalam memanfaatkan seluruh
sumber dayanya, yang menunjukkan rentabilitas
ekonomi perusahaan (Agnes Sawir, 2003).
Sembiring (2010) dalam hasil penelitiannya menyatakan
bahwa semakin tinggi rasio EBIT/TA suatu perusahaan maka
semakin besar kemungkinan perusahaan tersebut terhindar
dari kondisi financial distress.
Sehingga semakin tinggi nilai rasio X 3 ini semakin baik
dan semakin rendah nilainya semakin buruk.
Pada klaster 1, nilai X 3 memiliki rentang nilai dari 0 hingga mendekati 0.42. Nilai
Pada klaster 1, nilai X 3 memiliki rentang nilai dari 0 hingga
mendekati 0.42. Nilai terendah yakni 0.016687 diperoleh PT
Allbond Makmur Usaha Tbk (sebelumnya PT Sanex Qianjiang
Motor International Tbk), sedangkan nilai tertinggi yakni 0.41758
diperoleh PT Merck Tbk.
Pada klaster 2, nilai X 3 memiliki rentang nilai dari -1.44 hingga
mendekati 1. Nilai terendah yakni -1.4308 diperoleh PT Akasha
Wira International Tbk (sebelumnya PT Ades Waters Indonesia
Tbk), sedangkan nilai tertinggi yakni 0.575486 diperoleh PT
Unilever Indonesia Tbk. Terdapat 33 perusahaan bernilai minus.
Klaster 1 memiliki nilai yang lebih tinggi berarti perusahaan semakin efektif
dalam memanfaatkan seluruh sumber dayanya dalam pencapaian laba
sehingga semakin rendah terjadi kondisi financial distress sedangkan klaster
2 merupakan kelompok perusahaan yang memiliki kemungkinan besar
terkena kondisi financial distress.
Variabel X 4 (book value of total equity / book value of total debt) menunjukkan
Variabel X 4 (book value of total equity / book value of total
debt) menunjukkan berapa banyak aset perusahaan dapat
mengalami penurunan nilai (diukur dengan nilai pasar
ekuitas ditambah hutang) sebelum kewajiban (passiva)
melebihi aset dan perusahaan menjadi bangkrut.
Semakin tinggi nilai rasio X 4 ini semakin baik,
semakin rendah nilainya semakin buruk.
Pada klaster 1, nilai variabel X 4 berkisar antara 3 hingga mendekati nilai 10. Nilai
Pada klaster 1, nilai variabel X 4 berkisar antara 3 hingga mendekati
nilai 10. Nilai terendah yakni 3,317326 diperoleh PT Merck Tbk,
sedangkan nilai tertinggi yakni 9,222684 diperoleh PT Aneka
Kemasindo Utama Tbk.
Pada klaster 2, nilainya berkisar antara -0.7 hingga mendekati 3.
Nilai terendah yakni -0,7717 diperoleh oleh PT Sekar Laut Tbk,
sedangkan nilai tertinggi yakni 2,844734 diperoleh oleh PT Darya-
Varia Laboratoria Tbk.
Klaster 1 merupakan kelompok perusahaan yang tidak banyak
membiayai operasionalnya dengan hutan sedangkan klaster 2
merupakan kelompok perusahaan agresif dalam menggunakan
hutang yang akan berdampak melemahnya kondisi keuangan bila
hutang yang dimiliki terlalu banyak.
X 5 merupakan rasio Sales / Total Assets (S/TA) yang merupakan rasio assets turnover dalam
X 5 merupakan rasio Sales / Total Assets
(S/TA) yang merupakan rasio assets
turnover dalam rasio aktivitas.
Rasio ini menunjukkan efektivitas penggunaan seluruh harta
perusahaan dalam rangka menghasilkan penjualan atau
menggambarkan berapa rupiah penjualan bersih yang dapat
dihasilkan oleh setiap rupiah yang diinvestasikan dalam bentuk harta
perusahaan. Jika perputarannya lambat, ini menunjukkan bahwa
aktiva yang dimiliki terlalu besar dibanding dengan kemampuan
untuk menjual (Agnes Sawir 2003 : 17).
Semakin tinggi rasio S/TA, semakin kecil kemungkinan
perusahaan mengalami kondisi financial distress. Semakin tinggi
semakin baik, semakin rendah semakin buruk.
Pada klaster 1, nilai variabel X 5 berkisar antara 0.4 hingga mendekati 2. Nilai terendah
Pada klaster 1, nilai variabel X 5 berkisar antara 0.4 hingga mendekati 2.
Nilai terendah yakni 0,4832307 diperoleh PT Pyridam Farma Tbk,
sedangkan nilai tertinggi yakni 1,862363 diperoleh PT Merck Tbk.
Pada klaster 2, nilai variabel X 5 berkisar antara 0 hingga mendekati 3.
Nilai terendah yakni 0.00168 diperoleh PT Indo Acidatama Tbk
(sebelumnya: PT Sarasa Nugraha Tbk), sedangkan nilai tertinggi yakni
2.756647 diperoleh PT Fast Food Indonesia Tbk.
Terdapat 19 perusahaan pada klaster 2 yang memiliki nilai lebih
rendah daripada nilai terendah pada klaster 1 dan pada klaster 2
terdapat 13 perusahaan yang bernilai lebih tinggi daripada klaster 1
Klaster 1 merupakan kelompok perusahaan yang
lebih efektif menggunakan asetnya untuk
menghasilkan laba dibandingkan klaster 2.
Analisa Rasio Setiap Tahun Klaster 1 Analisa Rasio Klaster 2 (non financial per Tahun (financial
Analisa Rasio Setiap Tahun
Klaster 1
Analisa Rasio
Klaster 2
(non financial
per Tahun
(financial distress)
distress)
2004
v
financial distrees
2005
v
financial distrees
2006
v
financial distrees
2007
v
financial distrees
2008
v
financial distrees

Kesimpulan

1. Metode K-Means dengan Fuzzy C-Means setelah dibandingkan dengan mempertimbangkan nilai SSE dan icdrate, didapatkan
1. Metode K-Means dengan Fuzzy C-Means setelah
dibandingkan dengan mempertimbangkan nilai SSE dan icdrate,
didapatkan metode K-Means sebagai metode terbaik.
2. Hasil pengelompokan dengan metode K-Means Clustering
didapatkan pada tahun 2004, jumlah anggota klaster 1 sebanyak
15 dan klaster 2 sebanyak 120 perusahaan. Pada tahun 2005,
jumlah anggota klaster 1 sebanyak 19 dan klaster 2 sebanyak
116 perusahaan. Pada tahun 2006, jumlah anggota klaster 1
sebanyak 6 perusahaan dan klaster 2 sebanyak 129 perusahaan.
Pada tahun 2007, jumlah anggota klaster 1 sebanyak 16
perusahaan dan klaster 2 sebanyak 119 perusahaan. Pada tahun
2008, jumlah anggota klaster 1 sebanyak 20 perusahaan dan
klaster 2 sebanyak 115 perusahaan. Keanggotaan masing-
masing klaster tiap periode terlampir.
3. - Klaster 1 merupakan kelompok perusahaan manufaktur terbuka dengan kondisi non financial distress. Kelompok
3.
- Klaster 1 merupakan kelompok perusahaan
manufaktur terbuka dengan kondisi non financial distress.
Kelompok ini mempunyai jumlah anggota paling sedikit dan
memiliki catatan nilai rasio-rasio positif serta nilai EBITDA
positif.
- Klaster 2 merupakan kelompok perusahaan
manufaktur terbuka yang mengalami kondisi financial
distress. Kelompok ini mempunyai kelompok dengan jumlah
anggota terbanyak dan memiliki catatan nilai rasio-rasio
negatif serta nilai EBITDA minus (negatif).
4. Perusahaan-perusahaan yang secara konsisten termasuk
dalam klaster 1 dan klaster 2 selama periode amatan (2004-
2008) terlampir.
Saran 1. Bagi Bursa Efek Indonesia (BEI) perlu dilakukan pendataan ulang serta melengkapi data laporan
Saran
1. Bagi Bursa Efek Indonesia (BEI) perlu dilakukan pendataan ulang serta
melengkapi data laporan keuangan perusahaan di website maupun di arsip.
Sejak BES (Bursa Efek Surabaya) dan BEJ (Bursa Efek Jakarta) merger
menjadi satu pada tahun 2007, banyak data hilang dari server maupun
perpustakaan BEI sehingga membuat penulis dan masyarakat kesulitan
mendapatkan data-data keuangan dan pendukung. Data keuangan yang
hilang tersebut sebagian besar dijual oleh pihak ketiga dan mengharuskan
kompensasi materiil bila ingin mendapatkan data serta pihak BEI seakan
menutup mata atas kejadian jual beli data.
2. Untuk penelitian yang akan datang, dengan bahasan yang sama
sebaiknya mencoba memprediksi kondisi financial distress dengan
pendekatan supervised learning, namun hal ini dapat tercapai apabila
ada data historis yang akurat ataupun diadakan pra-penelitian terlebih
dahulu. Dapat pula menggunakan metode clustering yang lainnya.
DAFTAR PUSTAKA • Agusta, Yudi, 2007, “K-Means, Penerapan, Permasalahan dan Metode Terkait ”, Jurnal Sistem
DAFTAR PUSTAKA
• Agusta, Yudi, 2007, “K-Means, Penerapan, Permasalahan dan Metode Terkait ”, Jurnal Sistem
dan Informatika, Vol. 3.
• Altman, E.I, Max L. Heine, 2000, “Predicting Financial Distres of Companies : Revisiting The Z-
Score and ZETA® Models”, Journal of Finance
• Altman, E.I., 1968, "Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy", Journal of Finance, Vol. 23, pp 589 – 609
• Altman, E.I., R.G. Haldeman, dan P. Narayanan, 1997, "Zeta Analysis, a New Model for
Identifying Bankruptcy Risk of Corporation", Journal of Banking and Finance, Vol. 1, pp 29 –
54
• Dun & Bradstreet, 1994, “The Failure Record” and annually.
• Fisher, L., 1959, “Determinants of Risk Premiums on Corporate Bonds”, Journal of Political
Economy, June
• Foster, George. 1986. “Financial Statement Analysis”. Prentice Hall, Englewood Cliffs, New
Jersey.
• Hadibroto, S, Dachnial Lubis, Sudrajat Sukadam, 1994, “Dasar-dasar Akuntansi, Pengantar
Ilmu Akuntansi ”, Edisi Revisi Cetakan Pertama, Pustaka LP3ES Indonesia, Jakarta.
• Han, J. dan Kamber, M., 2006, “Data mining: Concepts and
• Helfert, Erich A., 1991, “Analisis Laporan Keuangan”, Edisi
Techniques (2 nd )”, Elsevier Inc.
Ketujuh, Penerbit Erlangga,
Jakarta.

Helfert, Erich A., 1997, “Teknik Analisa Keuangan: Petunjuk

Praktis untuk Mengelola dan

Mengukur Kinerja Perusahaan”, Edisi Kedelapan, Erlangga, Jakarta. • Husnan, Dr.Suad dan dra. Enny Pudjiastuti, MBA
Mengukur
Kinerja
Perusahaan”, Edisi Kedelapan, Erlangga, Jakarta.
Husnan, Dr.Suad dan dra. Enny Pudjiastuti, MBA Akt., 1994, “Dasar-Dasar Manajemen
Keuangan”, Unit Penerbit dan Percetakan AMP YKPN, Yogyakarta.
Irandha, Irma P.W., 2008, “Analisa Keluarga Miskin dengan Menggunakan Metode Fuzzy C-
Means Clustering”, Paper Tugas Akhir D4 Teknik Informatika . Politeknik Elektronika Negeri
Surabaya, Surabaya
Irawan M. Isa, Satriyanto Edi, 2008, "Virtual Pointer Untuk Identifikasi Isyarat Tangan Sebagai
Pengendali Gerakan Robot Secara Real-Time", Bidang Ilmu Komputer – Jurusan Matematika
FMIPA – Institut Teknologi Sepuluh Nopember Surabaya, Surabaya.
Lailiya, Arinda Rachmi, 2010, “Pengelompokkan Kabupaten/Kota di Jawa Timur Berdasarkan
Kesamaan Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran Terbuka dengan Metode
Hirarki dan Non Hirarki ”, Tugas Akhir tidak diterbitkan, Institut Teknologi Sepuluh Nopember
Surabaya, Surabaya
Lasher, William R., 1997, “Practical Financial Management”, West Publishing Company, St
Paul, Minneapolis
Lau, A.H, 1997, “A Five State Financial distress Prediction Model”, Journal of Accounting
Research Volume 25: 127-128
Luciana Spica Almilia & Kristijadi, 2003, "Analisis Rasio Keuangan untuk Memprediksi Kondisi
Financial distress Perusahaan Manufaktur yang Terdaftar di Bursa Efek Jakarta", JAAI,
Desember, Vol.7 No.2, pp 1-28
Mahiarestya Widiaputri, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial
distress pada Perusahaan Manufaktur yang Go Public", Tugas Akhir Jurusan Akuntansi
Fakultas Ekonomi Universitas Pembangunan Nasional “Veteran” Jawa Timur, pp 62-99

Mhd Hasymi, 2007, "Analisis Penyebab Kesulitan Keuangan (Financial distress) Studi Kasus pada

Perusahaan Bidang Konstruksi PT. X", Tesis S2 Magister Sains Akuntansi Universitas Diponegoro Semarang, November, pp
Perusahaan Bidang Konstruksi PT. X", Tesis S2 Magister Sains Akuntansi Universitas Diponegoro Semarang,
November, pp 33-54
Mingoti, Sueli A. & Lima, Joab O., 2007, “Comparing SOM Neural Network with Fuzzy C-Means, K-Means
and Traditional Hierarchical Clustering Algorithms”, European Journal of Operational Research 174 : 1742-
1759
Pungky Rionaldy, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Pada
Perusahaan Manufaktur yang Terdaftar Di Bursa Efek Indonesia", Skripsi Jurusan Akuntansi Fakultas
Ekonomi Universitas Pembangunan Nasional “ Veteran “ Jawa Timur, Mei, pp 81 – 112
Purnanandam, Amiyatosh., 2008, "Financial distress and Corporate Risk Management: Theory and
Evidence", Journal of Financial Economics 87, pp 706-739
Qiu, Dingxi, 2010, "A Comparative Study of K-Means Algortih and the Normal Mixture Model for
Clustering: Bivariate Homoscedastic Case", Journal of Statistical Planning and Inference, Elsevier B.V, Issue
140, pp 1701-1711
Santosa, Budi, 2007, “Data mining Terapan dengan MATLAB”, Edisi Pertama, Graha Ilmu, Yogyakarta
Santosa, Budi, 2007, “DATA MINING: Teknik Pemanfaatan Data untuk Keperluan Bisnis”, Edisi Pertama,
Graha Ilmu, Yogyakarta
Sawir, Agnes, 2003, “Analisis Kinerja Keuangan dan Perencanaan Keuangan Perusahaan”, Cetakan Ketiga,
Jakarta: PT Gramedia Pustaka Utama
Wahyuni, Febriana Santi, 2009, “Penggunaan Cluster-Based
Sampling Untuk Penggalian Kaidah
Asosiasi Multi
Obyektif ”, Jurusan Teknik Informatika, Fakultas
Teknologi
Industri, Institut
Teknologi Nasional-Malang
Whitaker, R. B, 1999, "The Early Stages of Financial distress". Journal of Economics and Finance, Volume
23: 123-133.
http://www.investopedia.com/articles/fundamental/04/021104.asp#ixzz1hoUCmj5q diakses pada tanggal
23 September 2011
http://www.idx.co.id diakses pada tanggal 18 April 2011
 TERIMA KASIH 
 TERIMA KASIH 
Pergerakan Klaster 1 3 2.5 2 1.5 1 0.5 0 Klaster 1 2008 Klaster 1
Pergerakan Klaster 1
3
2.5
2
1.5
1
0.5
0
Klaster 1 2008
Klaster 1 2007
Klaster 1 2006
Klaster 1 2005
Klaster 1 2004

Perusahaan Tahun 2004

Perusahaan Tahun 2005

Perusahaan Tahun 2006

Perusahaan Tahun 2007

Perusahaan Tahun 2008

PT Aneka Kemasindo PT Aneka Kemasindo PT Intanwijaya PT Betonjaya Manunggal PT Asahimas Flat Glass
PT Aneka Kemasindo
PT Aneka Kemasindo
PT Intanwijaya
PT Betonjaya Manunggal
PT Asahimas Flat Glass
Utama Tbk
Utama Tbk
Internasional Tbk
Tbk
Tbk
PT Betonjaya Manunggal
PT Asahimas Flat Glass
PT Darya-Varia
PT Betonjaya
PT Jaya Pari Steel Tbk
Tbk
Tbk
Laboratoria Tbk
Manunggal Tbk
PT Betonjaya Manunggal
PT Eterindo Wahanatama
PT Citra Tubindo Tbk
PT Mustika Ratu Tbk
PT Delta Djakarta Tbk
Tbk
Tbk
PT Duta Pertiwi
PT Delta Djakarta Tbk
PT Delta Djakarta Tbk
PT Sierad Produce Tbk
PT Sumi Indo Kabel Tbk
Nusantara Tbk
PT Duta Pertiwi
PT Duta Pertiwi
PT Allbond Makmur
PT Intanwijaya
PT Darya-Varia
Nusantara Tbk
Nusantara Tbk
Usaha Tbk
Internasional Tbk
Laboratoria Tbk
PT Ekadharma
PT Eterindo Wahanatama
PT Mandom Indonesia
PT Eterindo
PT Jaya Pari Steel Tbk
International Tbk
Tbk
Tbk
Wahanatama Tbk
PT Intanwijaya
PT Intanwijaya
PT Kedaung Indah Can
PT Sumi Indo Kabel Tbk
Internasional Tbk
Internasional Tbk
Tbk
PT Intanwijaya
PT Lion Metal Works Tbk
PT Jaya Pari Steel Tbk
PT Kalbe Farma Tbk
Internasional Tbk
PT Merck Tbk
PT Lion Metal Works Tbk
PT Lion Metal Works Tbk
PT Indocement Tunggal
PT Mustika Ratu Tbk
PT Langgeng Makmur
PT Merck Tbk
PT Kedaung Indah Can
PT Pyridam Farma Tbk
PT Merck Tbk
PT Mustika Ratu Tbk
PT Kalbe Farma Tbk
PT Roda Vivatex Tbk
PT Mustika Ratu Tbk
PT Sierad Produce Tbk
PT Lion Metal Works
PT Allbond Makmur
PT Semen Gresik
PT Pyridam Farma Tbk
PT Merck Tbk
Usaha Tbk
(Persero) Tbk
PT Mandom Indonesia
PT Roda Vivatex Tbk
PT Sugi Samapersada Tbk
PT Mustika Ratu Tbk
Tbk
PT Tempo Scan Pacific
PT Mandom Indonesia
PT Sierad Produce Tbk
PT Roda Vivatex Tbk
Tbk
Tbk
PT Allbond Makmur
PT Tempo Scan Pacific
PT Sierad Produce Tbk
Usaha Tbk
Tbk
PT Sugi Samapersada Tbk
PT Semen Gresik
PT Taisho
PT Mandom Indonesia
Pharmaceutical
Tbk
Indonesia Tbk

PT Tempo Scan Pacific

PT Sugi Samapersada

PT Mandom Indonesia

PT Mandom Indonesia

PT Tempo Scan Pacific