Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini menganalisis mengenai struktur modal dan harga saham perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia. Penelitian ini bertujuan untuk mengetahui pengaruh struktur modal terhadap harga saham perusahaan manufaktur Indonesia, dengan menggunakan debt to equity ratio (DER), debt to total assets ratio (DAR) dan intererst coverage ratio (ICR) sebagai variabel independen pada penelitian ini. Penelitian ini adalah penelitian kuantitatif dengan desain eksplanatif dan menggunakan program statistik SPSS versi 17 serta Eviews 6. Pengumpulan data sebagian besar dilakukan dengan mengambil data dari Badan Pengawas Pasar Modal (BAPEPAM) dan Bursa Efek Indonesia (BEI).Hasil penelitian ini membuktikan bahwa terdapat pengaruh signifikan dari struktur modal (debt to equity ratio, debt to total assets ratio dan intererst coverage ratio) terhadap stock price (harga saham) pada perusahaan manufaktur Indonesia.This thesis analyze the capital structure and stock price on the manufacture company listed in Indonesian Srock Exchange. This research intended to get the conclusion about the influence of capital structure to stock price with using debt to equity ratio (DER), debt to total assets ratio (DAR) and intererst coverage ratio (ICR) as the independent variable on this research. This research was quantitative with design explanative and using software SPSS version 17 and E-views 6. Data were collected by Badan Pengawas Pasar Modal (BAPEPAM) and Bursa Efek Indonesia (BEI).

The result of this research proved that there was significant influence of capital structure (debt to equity ratio, debt to total assets ratio dan intererst coverage ratio) to stock price on the manufacture company in Indonesia."

"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."