STACKING ENSEMBLE LEARNING UNTUK PREDIKSI FINANCIAL DISTRESS BERBASIS VARIABEL ALTMAN & VARIABEL KOMPREHENSIF BERBASIS PASAR

GDE P RIZKYNINDRA SJ, Retantyo Wardoyo

2022 | Tesis | MAGISTER ILMU KOMPUTER

Penelitian sebelumnya telah banyak menggunakan rasio keuangan dan variabel pasar untuk membangun model prediksi kesulitan keuangan mereka. Z-Score Altman telah menjadi rasio keuangan yang paling umum digunakan untuk mengidentifikasi kebangkrutan, terutama dalam studi akademis. Ukuran perusahaan, kapitalisasi pasar, pengembalian total, volatilitas pengembalian, beta, jarak ke default, dan probabilitas default adalah variabel berbasis pasar yang dapat meramalkan kesulitan keuangan. Studi sebelumnya juga memprediksi kebangkrutan menggunakan beberapa algoritma pembelajaran mesin yang terkenal. Namun, belum ada penelitian sebelumnya yang mencoba menggabungkan ketujuh variabel berbasis pasar ini sebagai variabel pasar yang komprehensif dengan variabel Altman menggunakan metode stacking ensemble learning untuk memprediksi kebangkrutan. Penelitian sebelumnya percaya bahwa metode pembelajaran stacking ensemble dapat meningkatkan hasil Prediksi lebih dari satu classifier. Penelitian ini bertujuan untuk menggunakan metode stacking ensemble learning dalam hubungannya dengan Logistic Regression untuk memprediksi financial distress pada perusahaan Taiwan dengan menggabungkan 5 variabel Altman dan 7 variabel komprehensif berbasis pasar sebagai prediktor. Hasil penelitian menunjukkan bahwa penambahan 7 variabel komprehensif berbasis pasar ke dalam 5 variabel Altman meningkatkan kinerja Prediksi financial distress dibandingkan hanya menggunakan 5 variabel Altman. Juga, penelitian ini menemukan hubungan yang kuat antara 7 variabel berbasis pasar yang komprehensif dan 5 variabel Altman. Temuan penelitian ini akan menjelaskan variabel berbasis pasar komprehensif mana yang mempengaruhi hasil Prediksi. Temuan ini juga akan membantu investasi publik dalam keputusan pemberian pinjaman dengan memberikan informasi tentang rasio keuangan dan variabel pasar.

Previous research had extensively used financial ratios and market variables to build their model of financial distress Prediction. Altman's Z-Score has become the most commonly used financial ratio for identify bankruptcy, particularly in academic studies. Firm size, market cap, total return, return volatility, beta, distance to default, and probability to default are market-based variables that can forecast financial distress. The previous study also predicted bankruptcy using several well-known machine learning algorithms. However, no previous research attempted to combine these seven market-based variables as comprehensive market variables with Altman variables using the stacking ensemble learning method to predict bankruptcy. Prior studies believe that the stacking ensemble learning method can improve the Prediction result more than a single classifier. This study aims to use the stacking ensemble learning method in conjunction with Logistic Regression to predict financial distress in Taiwanese companies by combining 5 Altman variables and 7 comprehensive market-based variables as predictors. The result shows that adding the 7 comprehensive market-based variables to 5 Altman variables improves the performance of financial distress Prediction than only using 5 Altman variables. Also, this research found a strong connection between 7 comprehensive market-based variables and 5 Altman variables. The findings of this study will explain which comprehensive market-based variables influence the Prediction outcome. These findings will also aid public investment in lending decisions by providing information on financial ratios and market variables.

Kata Kunci : Altman Variables, Financial Distress Prediction, Stacking Ensemble Learning, market-based variables