Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk menganalisis prediksi kebangkrutan perusahaan manufaktur menggunakan machine learning. Data keuangan dari perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia selama periode tahun 2013 hingga 2023 digunakan dalam penelitian ini. Metode analisis yang digunakan adalah Long Short-Term Memory (LSTM), Support Vector Machine (SVM), Random Forest, dan Extreme Gradient Boosting (XGBoost). Hasil penelitian diharapkan dapat memberikan manfaat bagi perusahaan manufaktur dalam mengidentifikasi tanda-tanda awal kebangkrutan, kreditur dalam mengevaluasi kelayakan pemberian kredit, investor dalam pengambilan keputusan investasi, akademisi dalam pengembangan riset di bidang prediksi kebangkrutan, serta regulator pasar modal (OJK) dalam meningkatkan efisiensi pengawasan terhadap perusahaan manufaktur. Hasil penelitian menunjukkan bahwa SVM efektif dalam memprediksi data historis dengan performa yang konsisten, sementara LSTM memiliki keunggulan dalam menangani variasi dan pola dalam data baru.

---

This study aims to analyze bankruptcy prediction for manufacturing companies using machine learning. Financial data from manufacturing companies listed on the Indonesia Stock Exchange for the period from 2013 to 2023 are used in this study. The analytical methods employed include Long Short-Term Memory (LSTM), Support Vector Machine (SVM), Random Forest, and Extreme Gradient Boosting (XGBoost). The results of this study are expected to provide benefits to various stakeholders: manufacturing companies in identifying early signs of bankruptcy, creditors in evaluating the feasibility of extending credit, investors in making investment decisions, academics in advancing research in bankruptcy prediction, and market regulators (OJK) in enhancing the efficiency of supervision over manufacturing companies. The results indicate that SVM is effective in predicting historical data with consistent performance, while LSTM excels in handling variations and patterns in new data."