1. Abstraksi
Penelitian ini mengembangkan model early warning systems (EWS) yang dapat memberikan
sinyal awal tentang masalah keuangan industri perbankan yang terdaftar di Stock Exchange
Indonesia. Periode penelitian yang digunakan pada 2010-2016. Menentukan masalah keuangan pada
tahap awal sangat penting untuk mencegah kerugian finansial. Dalam studi ini, model Machine
Learning dapat digunakan untuk memastikan kesulitan keuangan. Penelitian ini mengusulkan sistem
prediksi financial distress untuk mengkategorikan perbankan berdasarkan tingkat risiko. Model
prediktif menggunakan modal kerja untuk total aset, Saldo laba hingga total aset, Pendapatan
sebelum bunga dan pajak terhadap total aset, Buku menghasilkan nilai Buku terhadap total utang,
dan faktor modifikasi Altman Z-Score dalam sistem early warning systems (EWS). Hasil dari
menggunakan model Artificial neural network, Logistic regression classifier, support vector
machine dan Ensemble bagging model terbaik dengan nilai akurasi 85% dan tidak terjadi overfit
pada dataset yang terdiri dari lima fitur rasio keuangan. Model Regresi Logistik dan Dukungan
Mesin Vektor berbasis Ensemble dapat digunakan untuk memprediksi tekanan.
2. Tujuan Penelitian
1. Untuk mengetahui informasi tentang early warning systems (EWS) terhadap perbankan.
2. Untuk mengetahui prediksi terhadap kebangkrutan bank-bank yang diteliti.
3. Untuk mengetahui status bank apakah termasuk Distress Zone, Gray Zone atau Safe Zone.
3. Manfaat Penelitian
1. Menerapkan early warning systems (EWS) terhadap perbankan.
2. Mengantisipasi terhadap kebangkurtan bank-bank yang diteliti.
3. Memilih penanganan yang tepat terhadap status bank-bank yang diteliti.
4. Metode Riset
4.1 Financial distress dataset
Populasi yang digunakan dalam penelitian ini adalah Bank Umum Syariah yang
terdaftar di Bank Indonesia. Teknik pengambilan sampel yang digunakan dalam penelitian
ini adalah purposive sampling, yaitu teknik pengambilan sampel dengan pertimbangan
tertentu. Sedangkan untuk kriteria penarikan sampel yang digunakan meliputi Bank syariah
yang memiliki kelengkapan laporan keuangan yang telah diaudit periode 2010-2016 tersedia
di setiap situs web resmi Bank yang bersangkutan atau melalui situs web Otoritas Jasa
Keuangan.
[1] M. Kim and D. Kang, “Classifiers selection in ensembles using genetic algorithms for
bankruptcy prediction,” Expert Syst. Appl., vol. 39, no. 10, pp. 9308–9314, 2012.
[2] E. I. Altman, “Predicting Financial Distress of Companies : Revisiting The Z-Score and Zeta
® Models,” in Handbook of Research Method and Aplications in Empirical Finance, A. R.
Bell, C. Brooks, and M. Prokopczuk, Eds. Cheltenham: Edwad Elgar Publishing, 2013, p.
504.
[3] H.D. Widiputra, “Artificial Neural Network,” 12 Oktober 2019, [Online], Tersedia:
https://dosen.perbanas.id/artificial-neural-network, [Diakses: 12 Mei 2020].
[4] C. Subasi, “Logistic Regression Classifier,” 4 Maret 2019, [Online], Tersedia:
https://towardsdatascience.com/logistic-regression-classifier-8583e0c3cf9, [Diakses: 12 Mei
2020].
[5] Samsudiney, “Penjelasan Sederhana tentang Apa Itu SVM?,” 25 Juli 2019, [Online],
Tersedia: https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-
149fec72bd02, [Diakses: 12 Mei 2020].
[6] “Bootstrap agregating,” 17 April 2020, [Online], Tersedia:
https://id.wikipedia.org/wiki/Bootstrap_aggregating, [Diakses: 12 Mei 2020].