LAPORAN

ARTIFICIAL INTELLIGENCE
PREDICTION BANCPRUPTY
Diajukan untuk memenuhi tugas
Kecerdasan Buatan

Disusun Oleh :

Kelompok VII
10114151 Jihad
10114275 Bayu Indera Permana
10114093 Ilham Dwi Sampurno

Kelas : AI-14

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam dunia bisnis, ada berbagai peluang dan resiko yang bisa di ambil dan
juga harus di hindari oleh pengusaha. Salah satu resiko yang paling menakutkan
adalah resiko kebangkrutan jika para pengusaha tidak dapat mengelola bisnisnya
dengan baik. Resiko kebangkrutan ini tidak hanya mengancam perusahaan yang
baru saja berdiri dan tidak mampu bertahan menghadapi persaingan dunia bisnis,
tetapi juga mengancam perusahaan yang telah lama berdiri.
Sebelum mengalami kebangkrutan, sebuah perusahaan akan mengalami
financial distress dimana terjadi penurunan kondisi keuangan suatu perusahaan
dimana total arus kas suatu perusahaan tidak cukup untuk memenuhi kewajibannya.
Sebuah kebangkrutan tentu tidak terjadi secara tiba-tiba. Ada beberapa indikasi
yang bisa menunjukkan keadaan suatu bisnis yang mengalami masalah.
Salah satu cara paling sederhana yang bisa dilakukan untuk mengetahui
indikasi kegagalan bisnis tersebut adalah melalui laporan keuangan perusahaan.
Perusahaan dapat membandingkan arus kas yang masuk/pendapatan (cash inflows)
dengan arus kas yang keluar untuk berbagai pembiayaan bisnis (cash outflows).
Ketika pengeluaran kas lebih besar daripada pendapatan maka arus kas perusahaan
tersebut adalah negatif, atau dengan kata lain perusahaan mengalami kerugian.
Kondisi ini tentu bukan kondisi yang menguntungkan bagi perusahaan.
Apabila kondisi merugi ini terus bertahan hingga beberapa periode, maka
dapat disimpulkan bahwa kondisi keuangan perusahaan sedang dalam kesulitan. Hal
ini tentu akan sangat berpengaruh pada preferensi investor. Dengan kondisi
keuangan perusahaan yang tidak sehat seperti itu, tentunya meningkatkan resiko
investor sehingga para investor akan cenderung menghindari investasi. Para investor
tentunya akan lebih memilih untuk berinvestasi pada perusahaan dengan kondisi
keuangan yang sehat.
Untuk itu, dapat dilakukan Analisis prediksi kebangkrutan yaitu analisis
yang dapat membantu perusahaan untuk mengantisipasi kemungkinan perusahaan
akan mengalami kebangkrutan yang disebabkan oleh masalah-masalah keuangan.
Metode Z-Score (Altman) adalah skor yang ditentukan dari hitungan standar kali
nisbah-nisbah keuangan yang akan menunjukkan tingkat kemungkinan
kebangkrutan perusahaan (Supardi, 2003:73).
Berdasarkan pengertian di atas dapat disimpulkan bahwa metode Z-Score
(Altman) adalah suatu alat yang memperhitungkan dan menggabungkan beberapa
rasio-rasio keuangan tertentu dalam perusahaan dalam suatu persamaan diskriminan
yang akan menghasilkan skor tertentu yang akan menunjukkan tingkat
kemungkinan kebangkrutan perusahaan.
 BAB II
KAJIAN TEORI
2.1 Kebangkrutan
Menurut Black’s Law Dictionary, kebangkrutan atau pailit (bankruptcy) adalah
kondisi dimana orang perseorangan, persekutuan, perusahaan, atau korporasi tidak
mampu untuk membayar hutang-hutang yang telah jatuh tempo.
Kebangkrutan yang didefinisikan sebagai suatu kegagalan yang terjadi di
perusahaan dibagi dalam beberapa pengertian menurut Martin dalam Fakhrurozie
(2007:15), antara lain :
1. Kegagalan Ekonomi (Economic Distress)
Kegagalan yang menunjukkan bahwa perusahaan kehilangan uang atau pendapatan
perusahaan tidak mampu menutupi biayanya sendiri. Laba perusahaan lebih kecil
daripada biaya modal, atau nilai sekarang dari arus kas lebih kecil dari kewajiban
perusahaan. Kegagalan dalam ekonomi ini terjadi jika arus kas yang sebenarnya
berbeda jauh dibawah arus kas yang diharapkan.
2. Kegagalan Keuangan (Financial Distress)
Kegagalan dalam keuangan dapat diartikan bahwa pada waktu perusahaan berada pada
titik dimana perusahaan sedang mengalami penurunan keuangan secara drastis.

2.2 Indikator Terjadinya Kebangkrutan

Sebelum pada akhirnya pada suatu perusahaan dinyatakan bangkrut, biasanya
ditandai oleh berbagai situasi atau keadaan khususnya yang berhubungan dengan
efektivitas dan efisiensi operasinya. Indikator yang harus diperhatikan para manajer,
seperti yang dikemukakan oleh Harnanto (1984) bahwa :
1. Penurunan volume penjualan karena adanya perubahan selera atau
permintaankonsumen
2. Kenaikan biaya produksi
3. Tingkat persaingan yang semakin ketat
4. Kegagalan melakukan ekspansi
5. Ketidakefektifan dalam melaksanakan fungsi pengumpulan piutang
6. Kurang adanya dukungan atau fasilitas perbankan (kredit)
7. Tingginya tingkat ketergantungan terhadap piutang

2.3 Faktor-Faktor Penyebab Kebangkrutan

Secara garis besar faktor-faktor penyebab terjadinya kebangkrutan dibagi menjadi tiga
(Harnanto : 1984), yaitu :
1. Sistem Perekonomian
Dalam sistem perekonomian dimana roda perekonomian lebih banyak dikendalikan
oleh persaingan bebas, maka dunia usaha akan terbagi menjadi dua golongan, yaitu
perusahaan tradisional dan perusahaan yang memanfaatkan teknologi. Kemampuan
bersaing inilah yang merupakan faktor penyebab kebangkrutan, sehingga efisiensi
manajemen sangat berperan dan merupakan alat penangkal yang tangguh terhadap
setiap perusahaan pesaing.
2. Faktor Eksternal Perusahaan
Kesulitan dan kegagalan yang mungkin dapat menyebabkan kebangkrutan suatu
perusahaan kadang-kadang berada di luar jangkauan manajemen perusahaan.
Berbagai faktor tersebut antara lain :
 Persaingan bisnis yang ketat
 Berkurangnya permintaan terhadap produk atau jasa yang dihasilkan
 Turunnya harga jual terus-menerus
 Kecelakaan atau bencana alam yang menimpa perusahaan.
3. Faktor Internal Perusahaan
Faktor internal yang menyebabkan kebangkrutan perusahaan dapat dicegah melalui
berbagai tindakan dalam perusahaan itu sendiri.Faktor-faktor internal ini biasanya
merupakan hasil dari keputusan dan kebijaksanaan yang tidak tepat di masa lalu dan
kegagalan manajemen untuk berbuat sesuatu pada saat yang diperlukan. Faktor-faktor
yang menyebabkan kebangkrutan perusahaan secara intern adalah :
 Terlalu besarnya kredit yang diberikan kepada debitur atau pelanggan
 Manajemen yang tidak efisien
 Penyalahgunaan wewenang dan kecurangan-kecurangan

2.4 Metode Altman’s Z-Score

Altman’s Z-Score dapat diartikan sebagai model kuantitatif yang menggunakan
percampuran dari beberapa tradisional Financial Ratios dan menggunakan analisis
diskriminasi berganda. Sekitar 90% ketepatan suatu prediksi di masa depan dari
Bankruptcy pada 1 tahun ke depan. Sekitar 80% ketepatan suatu prediksi di masa depan
dari Bankruptcy pada 2 tahun ke depan.

Berikut adalah rumus untuk menghitung prediksi dari Bankruptcy :

Z = 1,2 (𝑿𝟏 ) + 𝟏, 𝟒 (𝑿𝟐 ) + 𝟑, 𝟑 (𝑿𝟑 ) + 𝟎, 𝟔 (𝑿𝟒 ) + 𝟏, 𝟎 (𝑿𝟓 )

Dimana :
𝑾𝒐𝒓𝒌𝒊𝒏𝒈 𝑪𝒂𝒑𝒊𝒕𝒂𝒍
𝑿𝟏 = 𝑻𝒐𝒕𝒂𝒍 𝑨𝒔𝒔𝒆𝒕𝒔
Menunjukkan kemampuan perusahaan untuk menghasilkan modal kerja bersih
dari seluruh aset yang dimilikinya.
𝑹𝒆𝒕𝒂𝒊𝒏𝒆𝒅 𝑬𝒂𝒓𝒏𝒊𝒏𝒈𝒔
𝑿𝟐 = 𝑻𝒐𝒕𝒂𝒍 𝑨𝒔𝒔𝒆𝒕𝒔
Menunjukkan kemampuan perusahaan untuk menghasilkan laba ditahan dari total aset
perusahaan.
𝑬𝒂𝒓𝒏𝒊𝒏𝒈𝒔 𝑩𝒆𝒇𝒐𝒓𝒆 𝑰𝒏𝒕𝒆𝒓𝒆𝒔𝒕 𝒂𝒏𝒅 𝑻𝒂𝒙𝒆𝒔
𝑿𝟑 = 𝑻𝒐𝒕𝒂𝒍 𝑨𝒔𝒔𝒆𝒕𝒔
Menunjukkan kemampuan perusahaan untuk menghasilkan laba dari aktivitas
perusahaan sebelum membayar pajak dan bunga.
𝑴𝒂𝒓𝒌𝒆𝒕 𝑽𝒂𝒍𝒖𝒆 𝒐𝒇 𝑬𝒒𝒖𝒊𝒕𝒚
𝑿𝟒 = 𝑩𝒐𝒐𝒌 𝑽𝒂𝒍𝒖𝒆 𝒐𝒇 𝑫𝒆𝒃𝒕
Menunjukkan kemampuan perusahaan untuk memenuhi kewajiban-kewajiban dari nilai
saham biasa.
 𝑺𝒂𝒍𝒆𝒔
𝑿𝟓 = 𝑻𝒐𝒕𝒂𝒍 𝑨𝒔𝒔𝒆𝒕𝒔
Menunjukkan efisiensi manajemen dalam menggunakan keseluruhan aset perusahaan
untuk menghasilkan penjualan dan mendapatkan keuntungan / laba.

BAB III
METODE PELAKSANAAN

3.1 Membuka Azure Machine Learning

Tampilan Awal Dashboard Azure Machine Learning setelah login.

Gambar III.1

3.2 Mempersiapkan Data

Pada simulasi ini kita menggunakan data Quantitative_ Bankcorupty dengan jumlah
row 3060 data dan column 6 yang terdiri dari X1,X2,X3,X4,X5 dan Class. Berikut
adalah gambaran dari data quantitative_bankcorupty.
3.3 Membuat Experiment

Gambar III.2

Pada gambar tersebut ada empat algoritma yang kita gunakan untuk simulasi
diantaranya : Two-Class Locally-Deep Support Vector Machine, Two-Class Support
Vector Machine, Two-Class Bayes Point Machine. Pada Normalize Data kita
menggunakan Z score. Seperti pada Gambar III.5
Pada experiment ini kita akan melakukan simulasi dengan perbandingan antara data
training dengan data testing sebagai berikut :

a) 70:30

b) 80:20
 c) 90:10

Dan Treshold yang kita pakai adalah 0.02.

3.4 Hasil Rekap Simulasi

3.4.1 Data Dengan Perbandingan 70:30
Hasil visualisasi Data Training
Hasil visualisasi Data Testing
Hasil Score Two-Class Locally-Deep Support Vector Machine
Hasil Score Two-Class Support Vector Machine
Hasil Score Two-Class Bayes Point Machine

Hasil Evaluate Two-Class Locally-Deep Support Vector Machine

Hasil Evaluate Two-Class Support Vector Machine

Hasil Evaluate Two-Class Bayes Point Machine

Hasil Perbandingan dari ketiga Algoritma

3.4.2 Data Dengan Perbandingan 80:20

Hasil visualisasi Data Training
Hasil visualisasi Data Testing
Hasil Score Two-Class Locally-Deep Support Vector Machine
Hasil Score Two-Class Support Vector Machine
Hasil Score Two-Class Bayes Point Machine

Hasil Evaluate Two-Class Locally-Deep Support Vector Machine

Hasil Evaluate Two-Class Support Vector Machine

Hasil Evaluate Two-Class Bayes Point Machine

Hasil Perbandingan dari ketiga Algoritma

3.4.3 Data Dengan Perbandingan 90:10

Hasil visualisasi Data Training
Hasil visualisasi Data Testing
Hasil Score Two-Class Locally-Deep Support Vector Machine
Hasil Score Two-Class Support Vector Machine
Hasil Score Two-Class Bayes Point Machine

Hasil Evaluate Two-Class Locally-Deep Support Vector Machine

Hasil Evaluate Two-Class Support Vector Machine

Hasil Evaluate Two-Class Bayes Point Machine

Hasil Perbandingan dari ketiga Algoritma

3.5 Web Service

Untuk membuat web service , pertama klik tombol set up web service sebelah tombol
run, lalu klik predictive web service. Maka hasilnya seperti pada gambar berikut :
 Gambar III.3

Klik tombol Run lagi, setelah itu klik Deploy Web Service Yang berada sebelah
tombol Run. Maka akan muncul seperti pada gambar berikut :

Gambar III.4
Selanjutnya kita klik New Web Services Experience. Lalu klik Test Endpoint maka
akan muncul seperti berikut :

Gambar III.5

Dengan ini kita bias memasukan data test secara manual , sesuai dengan apa yang kita
inginkan. Setalah kita masukan data test lalu klik Test Request-Response.Maka hasil
akhirnya sebagai berikut
 Gambar III.6

BAB IV
KESIMPULAN
Dari hasil simulasi yang telah dilakukan diatas dari hasil hasil Evaluate Model,
Algoritma Two-Class Support Vector Machine adalah algoritma yang paling unggul
diantara algoritma yang lainnya, karena memiliki nilai akurasi yang lebih besar
dibanding dengan kedua algoritma yang lainnya.