Halaman 1

Open Journal of Accounting , 2013, 2, 1-3 http://dx.doi.org/10.4236/ojacct.2013.21001

Diterbitkan Online Januari 2013 (http://www.scirp.org/journal/ojacct) Menerapkan Teknologi
Informasi ke Laporan Keuangan Analisis untuk Prediksi Kapitalisasi Pasar Hayden Wimmer, Roy
Rada Departemen Sistem Informasi, Universitas Maryland Baltimore County, Baltimore, AS
Email: hwimmer1@umbc.edu, rada@umbc.edu Diterima 1 November 2012; direvisi 5 Desember
2012; diterima 13 Desember 2012

ABSTRAK

Menentukan atribut mana yang dapat digunakan untuk memprediksi kapitalisasi pasar suatu
perusahaan bisnis adalah sebuah tantangan. lenging tugas yang mungkin mendapat manfaat dari
penelitian berpotongan prinsip-prinsip akuntansi dan keuangan dengan teknologi informasi nologi.
Dalam pendekatan kami, teknologi informasi dalam bentuk pohon keputusan dan algoritma
genetika diterapkan pada Damental data laporan keuangan untuk mendukung proses pengambilan
keputusan untuk memprediksi arah nilai perusahaan dengan nilai yang didefinisikan sebagai
kapitalisasi pasar. Proses pengambilan keputusan berbeda dari tahun ke tahun; Namun, jumlah
variasi sangat penting untuk proses pengambilan keputusan yang sukses. Pertanyaan penelitian
yang diajukan adalah "Berapa banyak variasi terjadi antara tahun?" Kami berhipotesis jumlah
variasi lebih kecil dari setengah jumlah atribut laporan keuangan yang dapat digunakan dalam
proses pengambilan keputusan. Kami mengembangkan sistem yang menguji jumlah variasi antara
tahun yang diukur sebagai jumlah generasi yang diperlukan untuk mencapai tingkat kebugaran
sasaran. Hipotesis diuji menggunakan data yang disaring dari basis data global Compustat.
Hasilnya mendukung hipotesis penelitian. sis dan maju kita ke arah menjawab pertanyaan
penelitian. Implikasi dari penelitian ini adalah kemungkinan untuk meningkatkan membuktikan
proses pengambilan keputusan ketika menggunakan analisis laporan keuangan sebagaimana
diterapkan pada kapitalisasi pasar dan penilaian keuangan perusahaan bisnis. Kata kunci: Analisis
Fundamental; Kapitalisasi pasar; Sistem Informasi Akuntansi

1. Perkenalan
 Tujuan dari penelitian ini adalah untuk mengeksplorasi jumlah variasi antara tahun yang
laporan keuangannya atribut paling penting untuk menentukan apakah pasar kapitalisasi
perusahaan bisnis meningkat atau menurun. Kami berhipotesis jumlah variasi lebih kecil
dari setengah dari jumlah atribut laporan keuangan yang mungkin dipekerjakan dalam
proses pengambilan keputusan. Ini adalah diuji dengan menerapkan aplikasi berbasis
teknologi informasi mendekati untuk menentukan atribut mana yang paling kritis dalam
proses pengambilan keputusan untuk menilai pasar masa depan tisasi. Kapitalisasi pasar
didefinisikan sebagai total outstand- ing saham perusahaan dikalikan dengan harga saham.
Kapitalisasi pasar — atau kapitalisasi pasar — dipertimbangkan penilaian publik terhadap
suatu perusahaan. Menentukan yang mana atribut dari analisis laporan keuangan
fundamental berharga dalam memprediksi kinerja saham adalah langkah penting dalam
strategi investasi apa pun. Sudah lama telah diterima bahwa pasar keuangan bersifat
informasi efisien. Ini disebut sebagai Pasar Efisien pothesis [1]. Dengan kata lain, tidak
mungkin untuk memprediksi kinerja pasar atau menentukan kondisi keuangan Atribut
ment adalah yang paling kritis dalam penilaian a perusahaan bisnis. Berbeda dengan pasar
yang efisien pothesis, hipotesis pasar adaptif [2,3] menyatakan bahwa pasar berkembang
berdasarkan kompetisi, seleksi alam, dan adaptasi. Teori evolusi ini dapat diterapkan untuk
menentukan atribut laporan keuangan mana paling penting dari tahun ke tahun. Pohon
keputusan adalah grafik seperti struktur yang mungkin diekstraksi menjadi aturan untuk
proses pengambilan keputusan. De- pohon cision adalah umum di banyak domain bisnis
seperti itu sebagai akuntansi, keuangan, dan manajemen operasi. SEBUAH pohon
keputusan dapat diekstraksi menjadi seperangkat aturan dengan mengikuti menurunkan
simpul mengakhiri pohon ke simpul akar pohon. Semakin banyak level dalam pohon
semakin kompleks basis aturan yang dapat diturunkan dari pohon keputusan. Itu aturan
pohon keputusan dapat diekstraksi dan digunakan sebagai input untuk sistem pakar atau
sistem pendukung keputusan. Com- ilmuwan komputer telah mengembangkan teknik yang
menghasilkan belajar mesin porate menjadi pohon keputusan. Ini memungkinkan pohon
keputusan untuk dilatih tentang dataset tanpa intervensi pria. Salah satu yang paling
populer adalah ID3 dan algoritma pohon keputusan C4.5 [4]. C4.5 hanyalah perpanjangan
dari algoritma ID3 yang sangat populer. Itu Hak Cipta © 2013 SciRes. OJAcct

Halaman 2
H. WIMMER, R. RADA 2 algoritma pembelajaran mesin memeriksa dataset dan menggunakan
teknik mendaki bukit yang kuat dan konsepnya dari perolehan informasi untuk menentukan atribut
mana yang paling penting dalam mengklasifikasikan dataset. Algoritma genetika adalah algoritma
komputer yang sering diterapkan pada masalah optimisasi [5]. Atau- Ganisme dapat dianggap
sebagai seperangkat gen dan gen dapat berupa atribut tunggal atau kombinasi dari upeti tergantung
pada implementasinya. Sebuah genetik dimulai dengan populasi atau koleksi satu atau lebih lebih
banyak organisme. Algoritma kemudian membuat perubahan organisme dan tes populasi untuk
kebugaran. Kebugaran adalah didefinisikan sebagai seberapa baik organisme memecahkan suatu
hal tertentu masalah. Setiap perubahan organisme populasi menghasilkan generasi baru. Ada
literatur yang terkait dengan prediksi masa depan kembali. Salah satu contohnya adalah
menggunakan keuangan fundamental analisis untuk memprediksi pengembalian yang lebih tinggi
dari rata-rata [6]. Sebuah- contoh lain adalah apa yang kemudian dikenal sebagai Skor Piotroski
[7]. Metode ini mengidentifikasi 9 radio spesifik tios yang dapat digunakan untuk memprediksi
pengembalian rata-rata di atas perusahaan dengan nilai buku ke pasar tinggi. Pekerjaan ini
diperluas untuk menggunakan analisis laporan keuangan untuk pengembalian dikt dalam buku
tinggi ke perusahaan pasar [8]. Selanjutnya, sebuah pendekatan teknologi informasi dikembangkan
oleh plying dan algoritma genetika yang diterapkan dan dimodifikasi fied bobot untuk masing-
masing dari 9 rasio keuangan dan diterapkan ke pasar saham Brasil [9]. Sementara pohon
keputusan telah dipekerjakan dalam bidang akuntansi, keuangan, opera manajemen yang
menerapkan algoritma genetika untuk jika akurasi pohon keputusan dilakukan oleh [10]. Penelitian
juga telah menerapkan teknologi informasi ogy pendekatan untuk prediksi kesulitan keuangan [11].

2. Metodologi

Nol dan hipotesis penelitian yang akan diuji dalam penelitian ini pencarian adalah: 1) H 0 =
Berdasarkan hipotesis pasar efisien atribut yang diperlukan untuk penilaian akan berbeda dari
tahun ke tahun tahun dengan setidaknya setengah jumlah total atribut. 2) H 1 = Berdasarkan
hipotesis pasar adaptif atribut secara alami akan berkembang dan akan berbeda dari tahun ke tahun
ke tahun kurang dari setengah jumlah total atribut. Dataset dipilih dari dimensi global Compustat
tabase. Data kemudian disaring untuk memasukkan data dari tahun 2000 hingga 2006. Hanya
perusahaan dari GBR dipilih dalam dataset untuk menghindari timbulnya anomali dari variasi
lokal seperti nilai tukar mata uang. Hanya perusahaan yang tetap aktif yang dipilih. Dari 66 atribut
Compustat ini diambil yang dapat diekstraksi dari laporan keuangan dan dihitung untuk setiap stok
dengan masing-masing stok diidentifikasi oleh a pengenal unik. Atribut yang paling akurat
mencerminkan kinerja perusahaan bisnis untuk pose dari penelitian ini disebut "pricingiv" yang
merupakan dimasukkan sebagai harga + dividen. Alasan atribut ini dipilih karena targetnya adalah
harga + dividen punya besar berpengaruh pada kapitalisasi pasar perusahaan bisnis. Kumpulan
data berisi minimal 676 catatan dan maksimum 1129 catatan dengan rata-rata 877 catatan.
Alasannya karena perbedaannya adalah peningkatan perdagangan umum perusahaan selama
rentang tahun (2000-2006). Algoritma decision tree C4.5 dilatih tentang data dari tahun k untuk
memprediksi harga dari tahun k + 1. Untuk Misalnya, atribut dari tahun 2000 digunakan untuk
memprediksi harga dari tahun 2001. Pohon keputusan ini adalah dosa gle organisme dalam
populasi untuk algoritma genetika. Algoritme genetik kemudian secara acak mengubah keputusan
ini pohon sion. Pohon keputusan yang dihasilkan kemudian diuji terhadap data atribut dari tahun
k + 1 untuk memprediksi p1pricediv untuk tahun k + 2. Untuk eksperimen ini kebugarannya adalah
didefinisikan sebagai persentase akurasi klasifikasi. Pos- terbaik kebugaran yang baik akan berasal
dari pohon keputusan C4.5 dibuat pada data dari tahun k + 1 untuk memprediksi harga dari tahun
k + 2. Algoritma genetik kemudian dijalankan sampai kebugaran tercapai. Jumlah generasi dan
karenanya mutasi / perubahan direkam untuk menguji hipotesis.

3. Hasil

Hasil percobaan menunjukkan bahwa kurang dari 9 gen erasi diperlukan untuk mencapai
kebugaran. Ini banyak kurang dari hipotesis nol yang menyatakan rata-rata 50% dari total
atribut akan diperlukan untuk dijangkau kebugaran. Untuk mengulangi, kebugaran dalam
percobaan kami adalah klasik akurasi sifikasi dari pohon keputusan yang dibangun dengan
C4.5 algoritma pembelajaran mesin untuk tahun target. Berdasarkan hasilnya hipotesis nol
ditolak dan alternatifnya adalah hipotesis diterima. Tabel 1 menggambarkan genera-
diperlukan untuk mencapai kebugaran (ketepatan klasifikasi). Seperti yang dinyatakan,
hasilnya menunjukkan tingkat volatilitas mungkin kurang dari satu yang diharapkan. Ada
banyak faktor yang mungkin telah mempengaruhi kesimpulan seperti itu. Pertama, itu Tabel 1.
Rata-rata generasi untuk mencapai kebugaran. Data Tahun Ramalan Tahun Generasi
kebugaran Klasifikasi Akurasi / Kebugaran 2000 2001 1 69 2001 2002 9 56 2002 2003 12 82
 2003 2004 10 80 2004 2005 1 75 2005 2006 20 77 Rata-rata Generasi 8.83 Hak Cipta © 2013
SciRes. OJAcct

Halaman 3

H. WIMMER, R. RADA Hak Cipta © 2013 SciRes. OJAcct 3 mungkin banyak atribut finansial
tidak membantu dalam klasifikasi sifikasi saham secara keseluruhan. Atribut-atribut ini mungkin
lebih cocok untuk mengklasifikasikan industri tertentu. Kedua, itu mungkin saja hanya atribut
tertentu yang benar-benar bermanfaat saat mengklasifikasikan saham menggunakan pohon
keputusan. Sana adalah atribut finansial tertentu yang telah lama dikenal Diakui sebagai metrik
yang baik dari kinerja perusahaan tersebut sebagai EBIDA. Ketiga, bisa dibayangkan klasifikasi
itu mungkin sangat dipengaruhi oleh faktor ekonomi makro seperti itu sebagai inflasi atau atribut
dana moneter internasional. Faktor-faktor ekonomi makro ini dapat mempengaruhi upeti
bermanfaat atau berkorelasi kuat dengan tertentu atribut sehingga menyebabkan atribut berkorelasi
dengan IMF menjadi atribut berharga dalam klasifikasi saham.

4. Kesimpulan dan Arah Masa Depan

Menentukan atribut mana dari laporan keuangan analisis untuk memprediksi arah permodalan
pasar- tion adalah tugas yang menakutkan. Hipotesis pasar yang efisien akan membuat kita percaya
bahwa ada variasi besar antara tahun yang atributnya penting dalam pra- mendikte kapitalisasi
pasar. Kami telah menunjukkan itu variasi antara tahun lebih kecil dari setengah total jumlah
atribut laporan keuangan yang tersedia untuk menentukan kapitalisasi pasar di masa depan.
Bahkan ada adalah variasi kurang dari 9%. Penelitian ini dibatasi oleh jumlah atribut yang
diterapkan pada tugas ini. Masa depan pencarian akan membahas batasan ini. Selain itu, dataset
yang digunakan dalam penelitian ini terbatas pada satu negara di pasar yang sudah mapan.
Penelitian di masa depan akan mempekerjakan baik negara tambahan maupun negara berkembang
pasar untuk menarik kesimpulan antara yang mapan versus pasar negara berkembang serta antar
negara di Indonesia kategori yang sama. Akhirnya, penelitian ini dibatasi oleh beberapa tahun
dimasukkan ke dalam dataset yang akan ditangani dalam ekstensi untuk karya ini. Implikasinya
penelitian ini berlaku untuk khalayak luas yang este dalam analisis laporan keuangan fundamental
dan penilaian kapitalisasi pasar.
REFERENSI [1] E. Fama, "Pasar Modal Efisien: II," Jurnal Fi- nance , Vol. 46, No. 5, 1991, hlm.
1575-1618. doi: 10.1111 / j.1540-6261.1991.tb04636.x [2] A. Lo, “Hipotesis Pasar Adaptif: Upaya
Pasar dari Perspektif Evolusi, ” The Journal of Manajemen Portofolio , Vol. 30, No. 5, 2004, hlm.
15-29. doi: 10.3905 / jpm.2004.442611 [3] A. Lo, “Menyelaraskan Pasar yang Efisien dengan
Perilaku Keuangan: Hipotesis Pasar Adaptif, ” Jurnal PT Konsultasi Investasi , Vol. 7, No. 2, 2009,
hlm. 21-44. http://ssrn.com/abstract=728864. [4] JR Quinlan, "Induksi Pohon Keputusan," Mesin
Belajar , Vol. 1, No. 1, 1986, hlm. 81-106. doi: 10.1007 / BF00116251 [5] DE Goldberg,
"Algoritma Genetika dalam Optimasi, Pencarian dan Pembelajaran Mesin, ”Addison-Wesley,
Read- ing, 1989. [6] MD Beneish, CMC Lee dan RL Tarpley, “Terus Analisis Fundamental
tekstual melalui Prediksi Pengembalian Ekstrim, ” Tinjauan Studi Akuntansi , Vol. 6, No. 2-3,
2001, hlm. 165-189. doi: 10.1023 / A: 1011654624255 [7] JD Piotroski, “Investasi Nilai:
Penggunaan Historis Informasi Laporan Keuangan kepada Pemenang Terpisah from Losers, ”
Jurnal Penelitian Akuntansi , Vol. 38, 2000, hlm. 1-41. doi: 10.2307 / 2672906 [8] P. Mohanram,
“Memisahkan Pemenang dari Pecundang Stok Buku-Ke-Pasar Rendah Menggunakan Laporan
Keuangan Analisis, ” Tinjauan Studi Akuntansi , Vol. 10, Tidak. 2-3, 2005, hlm. 133-170. doi:
10.1007 / s11142-005-1526-4 [9] F. Galdi dan S. Hermesmeyer, “Penggunaan Genetika Algo-
Ritme untuk Mendapatkan Pengembalian yang Lebih Tinggi pada Strategi Investasi Berdasarkan
Analisis Laporan Keuangan: Tes di Brasil, ” Pertemuan dan Konferensi Tahunan Akuntansi
Amerika 2010 ence Mengajar dan Belajar Akuntansi , San Fran- cisco, 31 Juli 2010. http: http:
//aaahq.org/AM2010/abstract.cfm? submissionI D = 1090 [10] Z. Fu, “Menggunakan Pendekatan
Berbasis Algoritma Genetika untuk Bet- Pohon Keputusan: Studi Komputasi, ”Springer- Verlag,
Berlin, 2002. [11] M. Moradi, M. Salehi, H. Yazdi dan M. Gorgani, “Pergi Prediksi Kekhawatiran
Perusahaan Iran dengan Menggunakan Fuzzy C-Means, ” Open Journal of Accounting , Vol. 1,
No. 2, 2012, hlm. 38-46. doi: 10.4236 / ojacct.2012.12005 [12] Standard & Poor's, “Standard &
Poor's Compustat Xpress- feed: Memahami Data, "McGraw-Hill, New York, 2011