Course Objectives:
LITERATUR -- TEXT
Aghaie, A., & Saeedi, A. (2009). Using Bayesian networks for bankruptcy prediction:
Empirical evidence from Iranian companies.Paper presented at the 2009
International Conference on Information Management and Engineering
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., . . . Rossi,
F. (2018). AI4People—an ethical framework for a good AI society: opportunities, risks,
principles, and recommendations. Minds and Machines, 28(4), 689-707.
Dalam penelitian ini, data awal digunakan untuk membandingkan prediksi proses Monte Carlo yang
mensimulasikan model kebangkrutan untuk membandingkan model dan hasil yang lebih akurat.
Modifikasi koefisien data simulasi metode Mckee, CA-SCORE, Springate, Zmijewski, Shirata, dan
Altman diimplementasikan di beberapa organisasi yang sehat dan bangkrut. Setelah itu, hasil dari
masing-masing model yang dimodifikasi dipertimbangkan untuk menentukan akurasi prediksi
kebangkrutan.
Beberapa variable yang diteliti yaitu rasio laba bersih terhadap total aset, rasio total utang terhadap
total aset, rasio aset lancar terhadap utang lancar, rasio modal kerja terhadap total aset, rasio laba
ditahan terhadap total aset, rasio laba sebelum pengenaan bunga dan pajak terhadap total aset, rasio
nilai pasar ekuitas terhadap nilai buku hutang, rasio modal kerja terhadap total aset, rasio hutang dan
ekuitas tahun berjalan terhadap hutang dan ekuitas tahun sebelumnya, rasio Laba operasi terhadap total
aset, rasio biaya bunga dengan jumlah pinjaman, utang rasio laba bersih sebelum mengenakan pajak
atas utang lancar, rasio utang usaha dikalikan 12 dengan jumlah penjualan, dan rasio penjualan untuk
total aset.
1-Masa inkubasi
5-Kebangkrutan
Salah satu cara di mana kita dapat memanfaatkan peluang investasi dan mencegah pemborosan sumber
daya adalah dengan memprediksi kebangkrutan. Jadi, pertama, organisasi diperingatkan oleh alarm
yang diperlukan tentang melakukan urusan yang sesuai. Kedua, investor mengenali peluang investasi
yang diinginkan dari yang tidak diinginkan dan menginvestasikan sumber daya mereka di peluang dan
tempat yang sesuai. Namun, indikasi financial distress tidak muncul dengan cepat bahkan tetap
tersembunyi di antara volume data keuangan dan non-keuangan yang sangat besar. Dalam penelitian
ini digunakan simulasi Monte Carlo. Tujuan dari penelitian ini adalah merancang model prediksi
kebangkrutan dengan menggunakan metode prediksi dan metode statistik yang diimplementasikan
dengan simulasi Monte Carlo. Akhirnya, untuk menentukan waktu kebangkrutan, kami
memperkirakan bahwa untuk salah satu organisasi dengan menerapkan model regresi
Hasil penelitian menunjukkan bahwa metode genetik Mckee yang dilakukan dengan data simulasi dan
proses simulasi Monte Carlo lebih akurat dibandingkan metode lainnya. Oleh karena itu, hipotesis nol
diterima, menunjukkan metode genetik Mckee yang terbaik. Hipotesis nol juga menunjukkan bahwa
jika data simulasi mempertimbangkan semua model, model ini dapat memprediksi kebangkrutan
organisasi. Berdasarkan hasil tersebut, hipotesis ini dapat diterima untuk model Altman, Zmijewski,
dan Springate. Beberapa rekomendasi untuk penelitian selanjutnya adalah sebagai berikut: Di pasar
keuangan, selalu ada risiko yang paling penting adalah risiko likuiditas. Salah satu penyebab utama
kasus ini adalah kurangnya likuiditas dan kebangkrutan organisasi. Oleh karena itu, kami mengusulkan
untuk menggunakan metode genetik Mckee untuk memprediksi kebangkrutan organisasi. Disarankan
bagi peneliti selanjutnya untuk menangani model prediksi kebangkrutan yang baru dengan
menggunakan teknik non-parametrik dan kecerdasan buatan. Kemudian, hasil yang diperoleh dari
metode baru dibandingkan dengan metode genetik Mckee.
Hasil: Dengan menggunakan metode akhir Mckee, memprediksi kebangkrutan organisasi dilakukan
dalam suatu organisasi dan hasilnya menunjukkan bahwa organisasi tersebut berada pada tren
kebangkrutan pada tahun 2025.