PREDIKSI KEBANGKRUTAN DENGAN METODE ANN, SVM, DAN CART PADA PERUSAHAAN PROPERTI, KONSTRUKSI, DAN INDUSTRI SEJENIS YANG TERDAFTAR DI BEI

Rafael Reinaldo Loren, Doddy Prayogo, Januar Budiman
{"title":"PREDIKSI KEBANGKRUTAN DENGAN METODE ANN, SVM, DAN CART PADA PERUSAHAAN PROPERTI, KONSTRUKSI, DAN INDUSTRI SEJENIS YANG TERDAFTAR DI BEI","authors":"Rafael Reinaldo Loren, Doddy Prayogo, Januar Budiman","doi":"10.9744/duts.9.2.136-155","DOIUrl":null,"url":null,"abstract":"Sifat ketidakpastian dalam sektor konstruksi, properti, real estate dan industri sejenis membuat sektor ini rentan menghadapi financial distress. Saat ini, metode yang digunakan untuk memprediksi status finansial perusahaan adalah pendekatan linier, sedangkan tidak semua variabel menunjukkan korelasi linear terhadap kesehatan finansial sebuah perusahaan. Penelitian bertujuan untuk menemukan model prediksi yang paling akurat dalam memprediksi indikasi financial distress dengan menggunakan kecerdasan buatan(AI). Metode AI yang digunakan dalam penelitian ini adalah ANN, SVM, dan CART. Metode ini digunakan untuk menganalisis tiga dataset rasio keuangan dari model peneliti terdahulu pada prediksi tiga dan lima tahun. Hasil terbaik dari pengolahan data kemudian dianalisis dengan confusion matrix untuk menentukan metode yang memiliki tingkat akurasi tertinggi. Hasil penelitian menunjukkan bahwa metode ANN memiliki tingkat akurasi paling tinggi terbanyak. Dataset dari peneliti Cheng et al. (2014) memiliki tingkat akurasi tertinggi pada hasil prediksi tiga tahun dengan metode CART dan lima tahun dengan menggunakan metode ANN.","PeriodicalId":187066,"journal":{"name":"Dimensi Utama Teknik Sipil","volume":"85 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-10-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Dimensi Utama Teknik Sipil","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.9744/duts.9.2.136-155","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Sifat ketidakpastian dalam sektor konstruksi, properti, real estate dan industri sejenis membuat sektor ini rentan menghadapi financial distress. Saat ini, metode yang digunakan untuk memprediksi status finansial perusahaan adalah pendekatan linier, sedangkan tidak semua variabel menunjukkan korelasi linear terhadap kesehatan finansial sebuah perusahaan. Penelitian bertujuan untuk menemukan model prediksi yang paling akurat dalam memprediksi indikasi financial distress dengan menggunakan kecerdasan buatan(AI). Metode AI yang digunakan dalam penelitian ini adalah ANN, SVM, dan CART. Metode ini digunakan untuk menganalisis tiga dataset rasio keuangan dari model peneliti terdahulu pada prediksi tiga dan lima tahun. Hasil terbaik dari pengolahan data kemudian dianalisis dengan confusion matrix untuk menentukan metode yang memiliki tingkat akurasi tertinggi. Hasil penelitian menunjukkan bahwa metode ANN memiliki tingkat akurasi paling tinggi terbanyak. Dataset dari peneliti Cheng et al. (2014) memiliki tingkat akurasi tertinggi pada hasil prediksi tiga tahun dengan metode CART dan lima tahun dengan menggunakan metode ANN.
以ANN、SVM和CART的方法预测破产,这些方法包括在北注册的地产、建筑和工业等公司
建筑、房地产、房地产和工业的不确定性使得这些部门很容易受到金融压力的影响。目前,预测公司财务状况的方法是线性的方法,而不是所有的变量都表现为对公司财务健康的线性相关。研究的目的是通过人工智能来预测金融压力迹象,从而找到最准确的预测模型。在这项研究中使用的al方法是ANN, SVM和CART。该方法被用来分析早期研究模型的三个财务数据比,以预测三到五年的预测。然后用混乱矩阵分析数据的最佳结果,以确定最准确的方法。研究结果表明,安的方法最准确。郑et al研究人员的数据(2014)对卡特的3年预测方法和使用ANN方法的5年预测结果的准确性最高。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信