Abstract—Bankcruptcy is a condition of the inability mengenai data keuangan dan dapat mencegah suatu
of a company to manage the company. Bankruptcy is perusahan dari kondisi kebangkrutan. Salah satu
bad for employees, corporations and the national metode yang diketahui mampu menghasilkan nilai
economy. For that we need an accurate prediction akurasi yang tinggi yaitu Support Vector Machine.
model accuracy. In doing prediction model accuracy Dalam penelitian ini akan dilakukan pengolahan
there are several motodes that can be used from the data keuangan dengan menggunakan metode
approach approach of accounting science and Support Vector Machine kemudian ditingkatan nilai
computer science approach method. In computer akurasi dengan menggunakan metode optimasi yaitu
science has been known that data mining is a PSO. Sehingga diperoleh nilai akurasi 99,6%
common method used in all fields to conduct accuracy Kata Kunci: Kebangkrutan, Support Vector Machine,
value assessment. Data mining has many tasks and Data Mining
functions one of which is capable of generating
prediction and clustering so it can obtain predictions
about financial data and can prevent a company from PENDAHULUAN
bankruptcy conditions. One method is known to
produce high accuracy value that is Support Vector Perusahan merupakan suatu badan usaha
Machine. In this research will be did an financial data yang bergerak dalam bidang jual beli dan bertujuan
processing by using Support Vector Machine method untuk mendapatkan laba dari hasil operasionanya.
then the value of accuracy by using optimization Tujuan dari pendirian sebuah perusahaan adalah
method that is PSO. So obtained the value of accuracy untuk menghasilkan laba sebesar-besarnya. Hal ini
99,6% dapat diasumsikan bahwa suatu perusahaan akan
terus hidup dan menjalankan operasional kegiatan
Keyword: Bankcruptcy, Support Vector Machine, perusahaan. Namum dalam pelaksanan operasional
Data Mining perusahan menemui berbagai kendala-kendala
Intisari—Kebangkutan merupakan sebuah kondisi yang mengakibatkan penurunan laba perusahan,
dari ketidakmampuan suatu perusahan melakukan kesulitan keuangan sampai dengan kebangkrutan.
pengelolaan perusahaan. Kebangkrutan berakibat Untuk bisa mempertahankan keberlangsungan
sangat buruk bagi karyawan, perusahaan dan hidup sebuah perusahaan maka para pemimpin
ekonomi nasional. Untuk itu diperlukan suatu perusahaan harus bisa mengambil keputusan yang
prediksi model akurasi yang tepat. Dalam melakukan tepat bagi setiap kendala yang ada jika tidak mampu
prediksi model akurasi terdapat beberapa motode menghadapi kendala yang ada maka bisa berujung
yang bisa digunakan dari metode pendekatan ilmu kepada kesulitan keuangan, kondisi ini akan
akuntansi dan metode pendekatan ilmu komputer. berakibat pada resiko terburuk yaitu
Dalam ilmu komputer telah diketahui bahwa data kebangkrutan.
mining merupakan metode yang biasa digunakan Kesulitan keuangan atau dikenal sebagai
dalam segala bidang untuk melakukan penilaian Financial Distress adalah tahapan penurunan
nilai akurasi. Data mining memiliki banyak tugas dan kondisi keuangan suatu perusahaan sebelum
fungsi salah satunya mampu menghasilkan prediksi terjadinya kebangkrutan (Cahya dkk, 2016). Untuk
dan clustering sehingga dapat diperoleh prediksi itu penting bagi perusahan untuk mengenali
datangnya kondisi finansial disreet untuk mencegah diselesaikan. Keduanya masuk dalam kelas
terjadi kebangkrutan. Menurut Elmabrok, dkk supervised learning. Metode SVM sendiri memiliki
dalam Prihanthini dan Sari (2013). Kebangkrutan kelemahan dalam pengolahan data dalam jumlah
atau kegagalan keuangan terjadi ketika jumlah besar. PSO merupakan salah satu metode optimasi
kewajiban melebihi nilai wajar aset atau ketika yang dapat digunakan untuk meningkatkan akurasi
kewajiban lancar melebihi aktiva lancar. (Jing Wang, 2014) sehingga pada penelitian ini
Kebangkrutan atau kegagalan keuangan yang dilakukan eksperimen dengan metode SVM-PSO
dialami oleh sebagian besar perusahaan dapat untuk mendeteksi kebangkrutan sebuah
berdampak buruk terhadap perekonomian dunia perusahaan.
(June Li, 2012). Akibat yang ditumbulkan oleh .
kebangkrutan sangat besar baik bagi pemilik,
karyawan, investor dan juga pemerintahan. Untuk BAHAN DAN METODE
itu diperlukan langkah antisipasi mengenalli ciri-
ciri kebangkrutan. Menurut handayani dan Dataset yang digunakan dalam penelitian ini
Fitriandhini (2012) Kebangkrutan perusahaan merupakan data sekunder yang diambil dari web
diakibatkan oleh kesulitan keuangan dapat pada laman uci repository. Berikut tahapan
dianallisa dari laporan keuangan. Laporan penelitian yang dilakukan:
keuangan persusahaan masa lampau dapat
memprediksi kondisi keuangan di masa yang akan
datang dengan menggunakan teknik analisa laporan
keuangan. Pentingnya mengenali financial distress
menyebabkan telah banyak metode dan penelitian
yang dilakukan selama ini, secara umum indikator
dan objek utama dalam tiap penelitian mengenai
financial distress adalah laporan keuangan
perusahaan yang melaporkan status dan posisi
perusahaan serta perubahan posisi keuangan
(Cahya dkk, 2016).
Finan Finan
Indu Man Oper Cl Indu Man Oper Cl
cial Credi Competiti cial Credi Competiti
stial gent ating as stial gent ating as
Flexi bility veness Flexi bility veness
Risk risk Risk s Risk risk Risk s
bility bility
P P A A A P NB 1 1 2 2 2 1 0
N N A A A N NB 3 3 2 2 2 3 0
A A A A A A NB 2 2 2 2 2 2 0
P P P P P P NB 1 1 1 1 1 1 0
A A P P P A NB 3 3 1 1 1 3 0
P P A P P P NB 2 2 2 2 2 2 0
P P P A P P NB 1 1 1 1 1 1 0
P P A P A P NB 3 3 1 1 1 2 0
P P A A P P NB 2 2 1 1 1 2 0
P P P A P P NB 1 1 1 2 2 1 0
N N A P P N NB 1 1 2 1 2 1 0
N N P A N N NB 1 1 1 2 1 1 0
N N P A N N NB 3 3 2 1 1 3 0
N N P A P N NB 3 3 2 2 1 3 0
N N A A P N NB 3 3 1 1 2 3 0
N N P A P N NB 3 3 1 1 2 3 0
N N P P A N NB 2 2 2 1 1 2 0
A A A P P A NB 2 2 2 2 1 2 0
A A P A A A NB 2 2 1 1 2 2 0
Sumber: Amalia, Lestari &Puspita(2017) Sumber: Amalia, Lestari &Puspita(2017)
KESIMPULAN
REFERENSI
Y., Wang, G., Chen, H., Dong, H., Zhu, X., & Wang, S.
Liu, "An Improved Particle Swarm
Optimization for Feature Selection," Journal
of Bionic Engineering, pp. 8(2), 191–200,
2011.