D1

Berdasarkan hasil penelitan dapat diprediksi untuk periode dua tahun yang kebangkrutan akan
datang. posisi keuangan saat ini diperlukan untuk membedakan kelompok bank. Misalnya,
dengan sembilan variabel, hanya satu variabel rasio keuangan pada akhir tahun sebelum
kegagalan, dan delapan variabel mengukur tren, variasi, perubahan tak terduga, dan nilai dua
tahun sebelum kegagalan. Karena nilai prediksi yang benar untuk investor swasta sudah jelas,
peneliti menekankan nilai-nilai sosial dan kebijakan peraturan. Ceteris paribus, individu akan
berinvestasi di lembaga-lembaga tersebut dengan diskriminan terkecil skor. peneliti memeriksa
sekitar 13.000 bank komersial secara acak Agar, variabel dependen yang diperkirakan dapat
digunakan untuk mengurutkan pemeriksaan. Artinya, masing-masing bank yang berlaku dapat
diperiksa sebelum operasi tahunan laporan diserahkan, seringkali dalam waktu satu bulan setelah
akhir Titik. Tidak signifikannya variabel yang diambil dari ringkasan pemeriksaan formulir pada
tahun sebelum kegagalan membuat waktu penelitian ini layak. Institusi yang kuat akan
tersegmentasi dari yang lemah. setidaknya akan diperiksa terlebih dahulu dan, mungkin, lebih
hati-hati.

D2

Penelitian ini mempelajari kegagalan bank A.S. selama krisis keuangan 2008-2010.
menggunakan analisis diskriminan linear discriminant analysis (LDA) dan Quadratic discriminant
analysis (QDA) serta uji-t univariat perbedaan rata-rata untuk variabel keuangan antara bank
yang gagal dan yang bertahan. Empat model dievaluasi karena kemampuan mereka untuk
mengklasifikasikan dengan benar bank mana yang selamat dan gagal dan karenanya dapat
digunakan oleh regulator dan manajer bank sebagai sistem peringatan dini kehancuran finansial.
Model yang paling mampu memprediksi kegagalan dan kelangsungan hidup termasuk variabel
pinjaman real estat, tingkat pertumbuhan pinjaman, modal ekuitas ke aset,ukuran bank,
pengembalian aset, penyisihan kerugian pinjaman, pinjaman macet, potongan biaya bersih
dan penyitaan. Artinya, selama periode tersebut penyebab bank gagal adalah proporsi nyata
mereka yang tinggi pinjaman perkebunan dan hutang lain yang tidak tertagih lainnya. Lebih
lanjut, keputusan investasi (pinjaman) yang buruk dari PT bank-bank yang gagal berkontribusi
besar terhadap kerugian pendapatan dan diperburuk oleh modal ekuitas yang rendah base ill
diperlengkapi untuk menyerap penghapusan dan kerugian.

D3

Hasil dari penelitian ini menunjukkan bahwa kriteria CAMELS tidak menjaga korespondensi
satu ke satu dengan karakteristik keuangan spesifik dari bank komersial Turki. Seperti yang
dinyatakan sebelumnya, ini mungkin disebabkan oleh aplikasi yang berbeda dari tindakan
pengaturan dan pengawasan bank di Turkey. Namun, hasil penelitian menunjukkan bahwa,
principal component analysis/ analisis komponen utama (PCA), untuk membangun sistem
peringatan dini yang terintegrasi. PCA adalah alat yang berguna untuk secara eksplisit
mengeksplorasi karakteristik keuangan sistem perbankan dan membandingkan bank sehubungan
dengan karakteristik ini, sehingga, menentukan perbedaan dalam struktur keuangan bank. Oleh
karena itu, PCA dapat digunakan sebagai alternatif atau alat pendukung keputusan tambahan
untuk sistem peringkat CAMELS dalam proses pemeriksaan bank.

Dalam memperkirakan model peringatan dini, beberapa asumsi data statistik dibuat pada sifat
distributional dari variabel keuangan. jika satu-satunya tujuan model ini adalah untuk
mengembangkan perangkat diskriminasi yang berguna. tes akhir dari nilai model semacam itu
tidak terletak pada kepatuhannya pada asumsi data tertentu, melainkan pada kepatuhannya
terhadap kegunaannya dalam proses pengambilan keputusan. Sistem ini dapat digunakan sebagai
alat pendukung keputusan analitis di sistem pemantauan bank di tempat dan di tempat untuk
mendeteksi bank yang mengalami masalah serius. Kemampuan untuk mendeteksi masalah
apapun dalam kondisi bank dari data yang tersedia untuk umum juga akan mengurangi biaya
pemantauan bank dengan mengurangi kebutuhan untuk pemeriksaan dan memberikan informasi
yang sangat berharga kepada para pembuat keputusan serta kepada pihak dan orang-orang yang
berkepentingan lainnya. yang bertanggung jawab atas pencegahan kegagalan bank.

D4
Dapat disimpulkan bahwa Multiple Discriminant Analys (MDA) masih merupakan alat yang
kuat dalam prediksi potensi kegagalan di sektor perbankan. Likuiditas, profitabilitas, efisiensi
operasi, dan perputaran total aset (yang merupakan variabel kunci dalam skor Z Altman) adalah
alat yang sangat ampuh dalam menentukan kekuatan bank. Di sini, konsep pendapatan
operasional yang menyatakan bahwa perusahaan yang tidak dapat menghasilkan pendapatan
operasional yang cukup untuk menutupi biaya operasinya pasti akan gagal atau mati telah
terbukti benar.

Parameter lain seperti Penghasilan per Saham, Dividen per Saham, dan Rasio Bunga yang
Dihasilkan dari Bunga yang Dibayar juga dapat berfungsi sebagai alat kolaboratif yang kuat
(bersama MDA) dalam penentuan kekuatan bank. Operator bank harus melakukan upaya untuk
meningkatkan likuiditas, profitabilitas, efisiensi operasi, dan total perputaran aset jika mereka
harus tetap dalam bisnis dan menghindari sanksi. operator bank harus memastikan bahwa EPS,
DPS, dan rasio Bunga yang Dihasilkan terhadap Bunga yang Dibayarkan ditingkatkan. Ini untuk
menarik kesetiaan dan perhatian para pemangku kepentingan seperti pemegang saham, klien,
deposan dan regulator pemerintah. Badan pengatur harus jujur dalam menerapkan hasil model
prediksi kegagalan ketika membedakan antara bank gagal dan tidak gagal dan harus menerapkan
sanksi yang sesuai untuk bank yang ditemukan di wilayah kebangkrutan tanpa parsial atau
standar ganda.

D5

Hasil penelitian menunjukkan bahwa, berdasarkan indikator kinerja seperti likuiditas,

profitabilitas, insolvensi, hubungan lima negara perbankan syariah sehubungan dengan
kebangkrutan ditemukan signifikan. Namun, berdasarkan indikator kinerja, (produktivitas) lima
negara perbankan Islam teratas tidak memiliki hubungan yang signifikan. Oleh karena itu,
terbukti kebangkrutan yang disebabkan di berbagai negara Islam adalah karena indikator kinerja
yang berbeda kecuali produktivitas.

Studi ini menjelaskan bahwa, di antara lima negara perbankan Islam teratas oleh aset perbankan
syariah global, peran rasio produktivitas dalam prediksi kebangkrutan adalah umum, namun,
peran indikator kinerja seperti likuiditas, profitabilitas, dan kepailitan dalam paparan
kebangkrutan dari lima perusahaan syariah terkemuka. negara berbeda. analisis komparatif dari
hasil skor-z pada Tabel 4 menerangkan bahwa, rata-rata industri perbankan Islam di Arab Saudi
memiliki kinerja yang lebih baik daripada sampel lainnya karena bank-bank Saudi menempati
tempat pertama dan kedua pada z-score daftar peringkat kebangkrutan. Mengikuti Arab Saudi,
kinerja bank-bank Islam Iran menemukan rata-rata lebih baik, karena bank-banknya berada pada
posisi ke-3 dan ke-5 dalam daftar kebangkrutan skor-z juga. Kinerja kebangkrutan bank-bank
Islam U.A.E dan Kuwait menemukan biasa-biasa saja, karena bank-banknya berada pada posisi
ke-4 & 7 dan 6 & 8 masing-masing dalam daftar kebangkrutan skor-z dari total 25 bank.

Namun, kinerja bank syariah Malaysia tidak memuaskan dalam sampel karena bank-banknya
berada pada posisi 19, 20, 21, dan 23 dalam peringkat z-score komparatif dari total 25 bank
syariah dari lima negara bank syariah teratas oleh aset perbankan global . Selanjutnya, analisis
kinerja individu bank menerangkan bahwa, bank AL-Baraka Investasi dan pengembangan Co
Arab Saudi berhak atas posisi teratas pada peringkat kebangkrutan skor-z, sementara Bank
Saderat Iran memesan tempat terakhir dalam daftar profil kebangkrutan. Rata-rata skor-z untuk
semua 25 bank syariah terpilih dicatat dengan 1,74, dan menurut zona diskriminasi untuk model
layanan Altman 1,74 terletak di zona abu-abu.

N1

Model penelitian ini mengungguli sebagian besar yang sebelumnya dalam hal kemampuan
memprediksi. output dari model penelitian dibandingkan dengan serangkaian metode alternatif
yang lebih luas daripada penelitian sebelumnya. serta model penelitian lebih sederhana dan, pada
saat yang sama, memberikan visualisasi yang lebih jelas dari perilaku temporal yang kompleks.
Prosedur penelitian dapat menjadi alat yang berguna bagi pengawas bank dan pemangku
kepentingan lainnya untuk menggambarkan profil risiko masing-masing bank. Sejauh
menyangkut otoritas pengawas, langkah-langkah pencegahan untuk memperbaiki
ketidakseimbangan bisa berbeda dalam jangka pendek, menengah, atau panjang tergantung pada
probabilitas kegagalan perbankan — yaitu, pada kelompok tempat bank tersebut berada.
Investor, deposan, dan peserta lain di pasar modal dapat menilai profil risiko dari investasi
mereka dan, karenanya, menentukan kombinasi optimal pengembalian risiko mereka.

Penelitian ini memiliki tiga keterbatasan. Pertama, seperti banyak teknik hybrid lainnya, model
kami membutuhkan banyak perhitungan untuk memberikan semua output dan visualisasi
lengkap. Kedua, terlepas dari kenyataan bahwa kami mempertimbangkan beberapa fitur dari
krisis keuangan, kami tidak mengendalikan faktor-faktor ekonomi makro yang berpotensi
mempengaruhi kecenderungan bank untuk gagal. Ketiga, kami fokus pada bank komersial,
sehingga mungkin ada beberapa kekhawatiran tentang apakah hasil kami dapat diterapkan pada
bank investasi besar, yang kegagalannya memiliki konsekuensi yang jauh jangkauannya.

N2

Peneliti telah menyajikan pendekatan baru untuk prediksi kebangkrutan bank menggunakan
jaringan saraf dan membandingkan kinerjanya dengan Diskriminan Analisis, faktor-logistik, k
Nearest Neighbor (kNN) dan Classification tree (ID3). peneliti percaya Neural network dapat
diperluas ke keuangan lainnya. Pendekatan Neural network yang disajikan dalam penelitian ini
menawarkan alternatif yang kompetitif untuk model prediksi kebangkrutan yang ada. Hasil
empiris menunjukkan bahwa Neural network menawarkan akurasi prediksi yang lebih baik
daripada Diskriminan Analisis, faktor logistik, kNN dan ID3.

Neural network memungkinkan penyesuaian tambahan pada model asli saat pengamatan baru
tersedia. Menggunakan metode statistik, model tidak diperbarui; melainkan dibangun dari awal
setiap kali dengan pengamatan baru. Model seperti itu mungkin tertinggal dari perubahan kondisi
ekonomi dan operasi yang berkaitan dengan industri perbankan, sehingga berdampak buruk
terhadap akurasi prediksi model. Perubahan progresif dari lingkungan bisnis, sebagaimana
tercermin oleh berbagai rasio keuangan bank, akan ditangkap oleh bobot baru jaringan. Informasi
masa lalu yang terbukti bermanfaat akan diinformasikan kembali, sedangkan yang bertentangan
dengan pengamatan baru akan dikenakan sanksi.
N3

Hasil penerapan metodologi Neural network untuk memprediksi kesulitan keuangan berdasarkan
rasio keuangan terpilih menunjukkan kemampuan jaringan yang sangat baik untuk mempelajari
pola yang sesuai dengan kesulitan keuangan bank. Neural network disimulasikan dalam set
pengujian Hasilnya sangat bagus; jaringan dapat mengklasifikasikan 92% kasus dalam set
pengujian.

Penelitian ini bertujuan untuk menguji Neural network dalam hal kemampuan mereka prediksi
kebangkrutan. Hasil penerapan Neural network dalam klasifikasi kesulitan keuangan berdasarkan
variabel keuangan yang dipilih menunjukkan bahwa Neural network mampu mempelajari pola
yang sesuai dengan kesulitan keuangan bank. Bahkan dengan data terbatas yang digunakan
dalam penelitian ini, Neural network menunjukkan tanda-tanda signifikan untuk menyediakan
sinyal peringatan dini dan pemantauan solvabilitas.

N4

Semua dataset dianalisis dengan wavelet neural network (WNN), trained wave-let neural
network (TAWNN) dan differential evolution trained wavelet neural network (DEWNN)
menggunakan validasi silang 10 kali lipat. Keakuratan rata-rata dari semua lipatan dihitung
untuk enam set data. Sensitivitas dan spesifisitas rata-rata dihitung untuk dataset dengan dua
masalah kelas. Hasil untuk dataset kebangkrutan. Hasil-hasil untuk set data kebangkrutan yaitu
bank-bank Turki dan bank-bank Spanyol. Hasilnya menunjukkan supremasi yang luar biasa dari
DEWNN dalam akurasi dan sensitivitas dibandingkan dengan TAWNN dan WNN asli. Dalam
hal ini juga kekokohan algoritma terbukti dan akurasi tinggi menunjukkan kepada kita pemilihan
fitur sempurna yang dilakukan dengan memasukkan algoritma Garson ke DEWNN. Fitur untuk
TAWNN dan WNN asli diekstraksi lagi dengan memasukkan algoritma Garson ke dalam
TAWNN dan WNN. Kecuali beberapa tumpang tindih, semua algoritma memilih subset fitur
yang berbeda sebagai yang optimal. Ini tidak mengherankan karena algoritma pelatihan berbeda
di setiap kasus. Fitur yang diekstraksi oleh tiga algoritma . Dengan demikian, dapat disimpulkan
bahwa selain kuat, DEWNN adalah algoritma yang efektif untuk menyelesaikan masalah
klasifikasi yang terjadi dalam keuangan. DEWNN dapat menjadi alat komputasi lunak yang
sangat efektif untuk masalah klasifikasi.

N5

Penelitian ini bertujuan untuk menerapkan dan mengevaluasi empat model jaringan saraf yang
berbeda, mendukung mesin vektor dan tiga metode statistik multivariat untuk masalah
memprediksi kegagalan bank. Berdasarkan hasil eksperimen, kesimpulan berikut dapat dibuat:
Pertama-tama, data penelitian yang diterapkan pada teknik ini sangat penting untuk prediksi
yang efektif. Penampilan berbagai teknik berbeda sehubungan dengan bentuk kumpulan data
yang diterapkan. Di sisi lain, karena kinerja prediksi yang berbeda diperoleh dalam set data
pelatihan dan validasi, sulit untuk mengadopsi teknik unik untuk masalah ini. Seperti banyak
penelitian di sejumlah bidang yang dilaporkan, keunggulan multi-layer perception (MLP) dalam
masalah prediksi terbukti dalam penelitian ini lagi. Sebagai algoritma pembelajaran yang baru
dikembangkan, support vector machines (SVM) melakukan sebagian besar teknik lain yang
digunakan dalam penelitian. Meskipun MLP dan learning vector quantization (LVQ) arsitektur
Neural network ditemukan sebagai model prediksi yang paling sukses dalam percobaan, kinerja
prediksi SVM dan metode statistik multivariat juga memuaskan.