Hasil Pencarian  ::  Simpan CSV :: Kembali

"Financial distress dapat dianggap sebagai peringatan dini masalah yang dapat menyebabkan kebangkrutan. Memprediksi kebangkrutan menjadi salah satu hal yang dapat dilakukan perusahaan untuk menemukan keadaan kesehatan keuangan perusahaan. Sebanyak 585 firm-year pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia dijadikan sampel untuk penelitian ini di mana 113 di antaranya dikategorikan dalam kondisi financial distress. Model prediksi kebangkrutan dapat diperiksa untuk menilai situasi ekonomi perusahaan untuk tujuan lebih lanjut. Altman dan Ohlson adalah beberapa peneliti terkenal yang modelnya dirujuk untuk mengevaluasi kesehatan perusahaan.

---

Financial distress can be regarded as an early warning of trouble that can lead to bankruptcy. Predicting bankruptcy becomes one thing that companies can do to discover the state of the company's financial health. A total of 585 firm-years of manufacturing companies that listed in Indonesia Stock Exchange are sampled for this research where 113 of them are categorized in financial distress state. Bankruptcy prediction models may be examined to assess a company's economic situation for further purposes. Altman and Ohlson are some of notable researchers to which their models are referred to evaluating the health of companies."

"Penggunaan variabel berbasis jaringan pada model prediksi kebangkrutan perusahaan dengan metode XGBoost belum banyak ditemukan. Meskipun prediksi kebangkrutannya sudah dikaji secara luas dan beragam, namun sebagian besar masih berfokus pada penggunaan variabel finansial. Dampak sistemik kebangkrutan dapat meluas hingga mengancam stabilitas sistem keuangan. Dampak sistemik yang diwaspadai terutama yang ditimbulkan oleh konglomerasi ataupun kelompok perusahaan. Hal ini memunculkan pertanyaan apakah kebangkrutan perusahaan di dalam satu kelompok akan saling berpengaruh dan menyebabkan efek sistemik di dalam kelompoknya. Sebelum kondisi buruk diketahui oleh pasar atau publik, otoritas pengawasan tersebut diharapkan dapat mendeteksi lebih awal kondisi buruk yang akan terjadi dan melakukan langkah-langkah konkrit yang diperlukan untuk menyelamatkan perusahaan secara khusus dan sistem perekonomian secara umum.Deteksi dini ini dibangun dengan mengembangkan model prediksi yang bekerja berdasarkan data historis, mampu memprediksi kebangkrutan, dan memetakan potensi dampak sistemiknya pada serangkaian perusahaan yang berelasi. Penelitian ini menggunakan data finansial dan relasional dari perusahaan yang terdaftar pada Bursa Efek Indonesia (BEI) mulai tahun 2010 hingga 2021. Data finansial yang digunakan adalah variabel neraca, rasio solvency, rasio profitability, dan rasio operasional. Data relasional terdiri dari 3 jenis relasi berdasarkan teori ultimate ownership, yaitu pemegang saham yang terdaftar pada laporan tahunan, dewan komisaris dan dewan direksi. Setelah melalui serangkaian literatur review dan eksperimen, metode machine learning XGBoost dipilih karena kemampuannya dalam melakukan prediksi dalam data yang tidak seimbang. Model akhir yang diusulkan adalah model prediksi kebangkrutan dengan tugas klasifikasi kelas bangkrut dan tidak, dengan metode XGBoost, menggunakan integrasi data masukan berupa variabel keuangan dan non-keuangan berbasis jaringan. Model ini terdiri dari pemrosesan input variabel keuangan dan relasional, prediksi dengan XGBoost pada 7 jenis integrasi data, pemilihan hasil prediksi akhir berdasarkan AUC yang terbaik, dan analisis potensi dampak sistemik dari jaringan terpilih berdasarkan model integrasi data terbaik di tahap sebelumnya.Model prediksi kebangkrutan ini sekaligus memberikan kontribusi dalam memvisualisasikan potensi dampak sistemik yang mungkin terjadi. Pada tahap prediksi kebangkrutan digunakan model integrasi data variabel finansial – non finansial. Model dengan integrasi data yang menghasilkan AUC terbaik digunakan pada tahap analisis potensi dampak sistemik. Berdasarkan luaran dari tahap 1, analisis dampaknya dipetakan sesuai relasi yang terbentuk dari jaringan yang bersesuaian dengan model terbaiknya. Hasil pengujian dengan data tes tahun 2019 untuk memprediksi kondisi 1 tahun ke depan menunjukkan AUC sebesar 90.20% dengan model integrasi data finansial – Shareholder. Model usulan memiliki AUC lebih baik dari model Tobback et. al., namun tidak lebih baik dari model Zhao et. al.Analisis potensi dampak sistemik memberikan gambaran jaringan yang terbentuk dengan node sumber adalah perusahaan yang diprediksi bangkrut yang terhubung dengan perusahaan yang berelasi berdasarkan Shareholder. Besar kecilnya edge menggambarkan kuat lemahnya relasi yang ada. Penelitian disertasi ini berhasil membangun model prediksi kebangkrutan dengan variabel finansial dan relasional berbasis jaringan ultimate ownership dengan AUC lebih dari 90%. Hasil disertasi ini juga memberikan pandangan baru dalam melakukan deteksi konglomerasi dan analisis potensi dampak sistemik dari relasi yang ada.

---

The application of network-based variables in the company’s bankruptcy prediction model with XGBoost method has not been widely found.. While bankruptcy prediction has been widely and diversely examined, most of them still focus on the use of financing variables. The systemic consequences of bankruptcy can jeopardize the stability of the financial system. The systemic impact under scrutiny primarily arises from conglomerates or corporate organizations. This prompts an inquiry into whether the insolvency of enterprises within a group may impact one another and induce systemic repercussions inside or outside the group. Prior to the market or public awareness of adverse situations, the regulatory body is anticipated to identify these detrimental circumstances early and implement necessary measures to preserve the company specifically and the economic system broadly.

This early detection is established through the creation of a predictive model that utilizes historical data to forecast bankruptcy and assess its potential systemic effects on a network of interconnected enterprises. This research utilizes financial and relational data from firms registered on the Indonesia Stock Exchange (IDX) spanning the years 2010 to 2021. The financial statistics utilized comprise balance sheet variables, solvency ratios, profitability ratios, and operating ratios. Relational data comprises three categories of relations according to the ultimate ownership theory: shareholders identified in the annual report, the board of commissioners (BoC), and the board of directors (BoD). Following an extensive analysis of research and experimentation, the XGBoost machine learning algorithm was selected as the model base due to its efficacy in predicting outcomes within unbalanced datasets. The final proposed model is a bankruptcy prediction model with the task of classifying bankrupt and non-bankrupt classes, with the XGBoost method, using network-based integration of input data in the form of financial and non-financial variables. This model consists of processing financial and relational variable inputs, prediction with XGBoost on 7 types of data integration, selecting the final prediction results based on the best AUC, and analyzing the potential systemic impact of the selected network based on the best data integration model in the previous stage.

This bankruptcy prediction model also contributes to visualizing the potential systemic impacts that may occur. At the bankruptcy prediction stage, a data integration model of financial and non-financial variables is used. The model of data integration exhibiting the highest AUC results is employed at the stage of analyzing potential systemic impacts. The expected impact is delineated based on the output from prior stage, according to the relationships established within the network of the optimal model. The test results utilizing 2019 data to forecast situations one year in advance demonstrated an AUC of 90.20% with the integration model of financial – Shareholder variables. The proposed model has a better AUC than the Tobback et. al., but not better than the Zhao et. al. model. The analysis of potential systemic impacts provides a picture of the network formed with the source node being a company predicted to go bankrupt that is connected to a company related to Shareholders. The size of the edge describes the strength of the existing relationship.

This dissertation research has succeeded in building a bankruptcy prediction model with financial and relational variables based on the ultimate ownership network with an AUC of more than 90%. The results of this dissertation also provide new insights into detecting conglomerates and analyzing the potential systemic impacts of existing relationships."

"Pada penelitian ini, penulis mencoba untuk menguji secara empiris pengaruh prediksi kebangkrutan, opini audit tahun sebelumnya, besaran KAP, dan pergantian auditor terhadap penerimaan opini audit going concern oleh suatu perusahaan. Sampel yang digunakan adalah 330 Auditee manufaktur yang listing di BEI dari tahun 2002-2006. dengan menggunakan regresi logistic sebagai alat analisis.Hasil dari penelitian ini menunjukan bahwa hanya prediksi kebangkrutan dan opini tahun sebelumnya yang berpengaruh signifikan terhadap penerimaan opini audit going concern. Sedangkan faktor lainnya yaitu besaran KAP dan pergantian auditor tidak berpengaruh signifikan terhadap penerimaan opini audit going concern."

"

Segmen usaha kecil dan menengah saat ini terus berkembang di Indonesia. Berkontribusi lebih dari seperlima Produk Domestik Bruto Indonesia menjadikan segmen ini sangat berpotensi untuk terus dikembangkan. Perbankan dalam negeri dan asing melihat segmen usaha kecil menengah ini sebagai segmen yang menjanjikan sehingga membuat mayoritas Bank di Indonesia ikut bersaing dalam penyaluran kredit pada segmen ini. Namun, ditengah prospek yang menjanjikan, segmen ini juga memiliki tantangan tersendiri dimana rasio non-performing loan secara Nasional pada segmen ini melebihi rasio  non-performing loan seluruh kredit yang disalurkan. Penelitian ini bertujuan untuk meniliti reliabilitas metode Altman Z-Score serta Ohlson O-Score sebagai alat prediksi kebangkrutan pada perusahaan segmen Small Medium Enterprise di Indonesia serta reliabilitas laporan keuangan perusahaan di segmen Small Medium Enterprise dalam mencerminkan kondisi riil perusahaan sebagai data masukan untuk analisa prediksi kebangkrutan perusahaan. Data penelitian menggunakan data laporan keuangan dari perusahaan yang menjadi debitur segmen Small Medium Enterprise di Bank Mandiri. Hasil penelitian menunjukkan bahwa hasil perhitungan Z-Score mampu memprediksi kebangkrutan dengan akurasi  51,8%, 37,4%, 36,3%, dan 11,4% untuk satu, dua, tiga dan empat tahun sebelum kebangkrutan sedangkan Ohlosn O-Score memberikan hasil akurasi yang lebih baik yaitu 73,6%, 43,2%, dan 58,5% untuk satu, dua dan tiga tahun sebelum kebangkrutan. Berdasarkan hasil tersebut dan wawancara kepada pihak internal Bank dapat disimpulkan bahwa laporan keuangan untuk perusahaan segmen Small Medium Enterprise secara umum belum cukup reliable untuk mencerminkan kondisi perusahaan secara riil.

---

Nowadays, small and medium enterprises continue to grow in Indonesia, contributing more than one fifth of Indonesia's Gross Domestic Product, making this segment very potential to continue to be developed. Domestic and foreign banks see this small and medium business segment as a promising segment, making the majority of banks in Indonesia compete in lending to this segment. However, amid a promising prospect, this segment also has its own challenges, where the national’s ratio of non-performing loans in this segment exceeds the ratio of non-performing loans of all loans disbursed. This study aims to assess the reliability of the Altman Z-Score and Ohlson O-Score methods as bankruptcy predictors in Small Medium Enterprise segment in Indonesia and the reliability of the company's financial statements in the Small Medium Enterprise segment in reflecting the company's real conditions as input data to analyze the possibility of the company going bankrupt. This research uses financial report data from companies that are debtors in the Small Medium Enterprise segment at Bank Mandiri. The results showed that the Z-Score calculation was able to predict bankruptcy with an accuracy of 51.8%, 37.4%, 36.3%, and 11.4% for one, two, three and four years before bankruptcy while Ohlson O-Score giving better accuracy results of 73.6%, 43.2%, and 58.5% for one, two and three years before bankruptcy. Based on these results and interviews with internal parties of the Bank it can be concluded that financial statements for Small Medium Enterprise segment companies in general have not been reliable enough to reflect the company's condition in real.

"

"Industri penerbangan global telah menderita berbagai masalah finansial ditandai dengan kerugian kumulatif selama periode tahun 2001 sampai 2009. Sejak saat itu, sudah lebih dari 350 maskapai penerbangan telah mengajukan kebangkrutan. Tujuan dari penelitian ini adalah untuk membuat prediksi bangkrut dan tidak bangkrut menggunakan pendekatan model Altman Z Score, regresi logistik, dan analisis diskriminan dengan multi-year basis. Model prediksi dibuat dengan bantuan lima rasio keuangan yaitu Total Debt to Total Asset, Quick Ratio, Cash to Current Liabilities, Retained Earning to Total Asset, dan Sales to Total Asset. Uji simulasi statistik regresi logistik dan analisis diskriminan dilakukan dengan metode simultan. Model baru yang dikembangkan menggunakan titik cutoff untuk membedakan apakah suatu maskapai diklasifikasikan dalam kelompok bangkrut atau kelompok tidak bangkrut. Hasil akhir memperlihatkan model prediksi yang baru menunjukkan tingkat akurasi keseluruhan lebih tinggi dibandingkan dengan model Altman Z Score dan Kroeze Score.

---

The global airline industry has suffered from financial problems marked by cumulative losses over the period from 2001 to 2009. Since then, more than 350 airlines have filed for bankruptcy. The purpose of this study is to make a prediction of bankrupt and non-bankrupt using an approach to Altman Z Score models, logistic regression, and discriminant analysis with the multi-year model. The prediction model created with the help of five financial ratios: Total Debt to Total Assets, Quick Ratio, Cash to Current Liabilities, Retained Earnings to Total Assets and Sales to Total Assets. Simulation of statistic test on logistic regression and discriminant analysis performed by the simultaneous method. The new model was developed using a cut-off point to distinguish whether an airline classified in the group of bankrupt or non-bankrupt. The final results show that the new prediction model shows an overall higher degree of accuracy than Altman Z Score and Kroeze Score model."

"Sejumlah studi menunjukkan peningkatan jumlah perusahaan yang masuk dalam kategori zombie firm dalam satu dekade terakhir terutama pada masa pandemi COVID-19. Perusahaan-perusahaan zombi memenuhi ciri-ciri perusahaan yang memenuhi kriteria kebangkrutan. Hal ini mengindikasikan bahwa para investor perlu memperhitungkan kondisi ini sebelum melakukan strategi investasinya. Begitu pula, para manajemen perusahaan perlu untuk waspada akan kemungkinan perusahaan yang dipimpinnya masuk dalam kategori zombi sebelum mengambil langkah-langkah jenis pendanaan untuk pengembangan bisnisnya. Saat ini ada beberapa model identifikasi kebangkrutan yang lazim digunakan seperti Altman Z-score dan Merton Naïve Model. Kedua model tersebut memiliki keterbatasan dalam penggunaannya terutama adanya asumsi-asumsi dan kondisi yang melekat pada setiap model. Penelitian ini bertujuan untuk menganalisis model zombie firm untuk kasus di Indonesia. Pertanyaan penelitian utama yang diajukan adalah apakah model zombie firm dapat menjadi alternatif untuk mengukur risiko kebangkrutan suatu perusahaan. Penelitian ini menggunakan data sekunder yang tersedia terhadap perusahaan-perusahaan non-finansial yang terdaftar dalam Bursa Efek Indonesia sejak tahun 2011 hingga 2020. Penelitian ini juga dilakukan untuk menganalisis dinamika risiko kebangkrutan berdasarkan model zombie firm serta untuk mengetahui kemungkinan sebuah perusahaan apakah akan keluar dari status zombi-nya di tahun-tahun mendatang. Hasil penelitian menunjukkan adanya konsistensi antara hasil perhitungan indikasi perusahaan yang memiliki risiko kebangkrutan zombie firm dengan model kebangkrutan Altman Z-score atau Merton Naïve Model. Hasil penelitian juga menggambarkan dinamika tren hubungan antara variabel zombie firm model terhadap kenaikan atau penurunan jumlah perusahaan yang terindikasi sebagai zombi. Pada akhir bagian pembahasan, dengan menggunakan Wilcoxon Sum Rank Test, hasil penelitian menunjukkan kecenderungan perusahaan keluar dari status zombi untuk tahun-tahun tertentu.

---

Some studies show increment in terms of numbers of companies that entered the status of zombie firm in last decade, especially during COVID Period. Zombie firms fit all the criteria for a company that has a high risk of bankruptcy. This indicates that investors need to consider a company’s zombie status before doing their investment strategy in such a company. Company management also needs to be aware of their company to not fall to this status before doing a funding strategy type to expand their business. Currently, there are several models that can be used as default risk identification, such as Altman Z-score and Merton Naïve Model. However, both models have its own limitations and assumptions that are attached to each model. This research aims to analyze zombie firms’ model for Indonesia case. Main research question is whether zombie firm model can be used as alternative for identification of a company default risk. This research uses secondary data that is available for all non-financial sector companies, traded on Indonesian Stock Exchange since 2011 – 2020. In this research, we also analyze the dynamic of default risk based on zombie firms and the probability of whether a company can recover from its zombie status in future years. Result show that there are consistencies between zombie firm models against its comparing model: Altman Z-score or Merton Naïve Model. The results also show trend dynamic between zombie firm variables regarding increase or decrease numbers of identified zombies. At the end of discussion, by using Wilcoxon Sum Rank Test, results show some tendencies that companies recover in certain years."