Melola Discovery

← Melola Discovery

Akses terbuka Jurnal

Financial Distress Classification Using Feedforward Neural Network Based on Altman and Ohlson Financial Ratios

Klasifikasi Financial Distress Menggunakan Feedforward Neural Network Berdasarkan Rasio Keuangan Altman dan Ohlson

Jurnal Matematika, Statistika dan Komputasi · Vol. 20 No. 1 (2023) · hlm. 184–195

DOI
10.20956/j.v20i1.27742
ISSN
2614-8811, 1858-1382
Terbit
2023-09-06
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

The ever-changing economy requires companies to anticipate future conditions in order to avoid financial distress, a continuous decline in financial conditions. The research focused on comparing Altman and Ohlson’s financial ratio in classifying financial distress on Property and Real Estate companies using the Feedforward Neural Network. The data used is the financial report data of 19 Property and Real Estate companies listed on the Indonesian Stock Exchange in 2016-2022, with the initial status of financial conditions based on earnings per share. (EPS). The study also used the Synthetic Minority Oversampling Technique (SMOTE) method to address class imbalances. The best financial ratio is selected based on accuracy values and Area Under Curve (AUC). Altman’s financial ratio with the FFNN model architecture (5-2-1) with a balance of 60:40 yields an accuracy of 84.62% and an AUC of 0.8325. The Ohlson Financial ratio with the 60:40 data balancing process and the FFNN model architecture (9-4-1) yields an accuracy of 93.27% and an AUC of 0.9045. Thus, in predicting financial distress in companies in the Property and Real Estate sector, Ohlson’s financial ratio with the predictor variables Corporate Size (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Acts (WCTA), Current Liability to Current Asset (CLCA), OENEG, Net Income to total assets (NITA), Cash Flows Operating to Total Responsibilities (CFOTL), Net Revenue (INTWO), and Net Incoming Change (CHIN) yielded the best results. This best ratio can be used as a consideration in using alternative financial ratio to classify financial distress.

Bahasa Indonesia

Kondisi perekonomian yang selalu berubah menuntut perusahaan untuk dapat mengantisipasi kondisi yang akan datang, untuk menghindari financial distress, yaitu penurunan kondisi keuangan yang berkelanjutan dan sering terjadi sebelum mengalami kebangkrutan. Fokus pada penelitian ini adalah membandingkan rasio keuangan Altman dan Ohlson dalam mengklasifikasikan financial distress pada perusahaan Properti dan Real Estate menggunakan Feedforward Neural Network. Data yang digunakan merupakan data laporan keuangan 19 perusahaan Properti dan Real Estate yang terdaftar di Bursa Efek Indonesia tahun 2016-2022, dengan status awal kondisi keuangan perusahaan berdasarkan Earnings Per Share (EPS). Dalam penelitian ini digunakan juga metode Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas data. Model dan metode terbaik dipilih berdasarkan nilai akurasi dan Area Under Curve (AUC). Rasio keuangan Altman dengan arsitektur model FFNN (5-2-1) dengan balancing 60:40 menghasilkan nilai akurasi 84,62% dan AUC 0,8325. Rasio Keuangan Ohlson dengan proses balancing data 60:40 dan arsitektur model FFNN (9-4-1) menghasilkan nilai akurasi 93,27% dan AUC 0,9045. Dengan demikian, dalam memprediksi financial distress pada perusahaan sektor Properti dan Real Estate, rasio keuangan Ohlson dengan variabel prediktor Ukuran Perusahaan (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Assets (WCTA), Current Liabilities to Current Assets (CLCA), Perbandingan Total Liabilities dan Total Assets (OENEG), Net Income to Total Assets (NITA), Cash Flows Operating to Total Liabilities (CFOTL), Nilai Net Income (INTWO), dan Perubahan Net Income (CHIN) memberikan hasil terbaik. Hasil klasifikasi ini dapat digunakan sebagai pertimbangan dalam menggunakan alternatif rasio keuangan untuk mengklasifikasikan financial distress.

Kata kunci

Jaringan kolaborasi para penulis

15 penulis · 37 tautan kepenulisan bersama · 5 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Institut Teknologi Sepuluh Nopember
  • Universiti Malaysia Pahang Al-Sultan Abdullah
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Pratnya Paramitha OktavianaInstitut Teknologi Sepuluh Nopember2
Moch. Taufik HakikiInstitut Teknologi Sepuluh Nopember1
Soehardjoepri DjoepriInstitut Teknologi Sepuluh Nopember1
Ulil AzmiInstitut Teknologi Sepuluh Nopember1
Denisha A. E. AnandaInstitut Teknologi Sepuluh Nopember1
Roslinazairimah ZakariaUniversiti Malaysia Pahang Al-Sultan Abdullah1
Yeni April LinaInstitut Teknologi Sepuluh Nopember1
Verencia PricilaInstitut Teknologi Sepuluh Nopember1
Pratnya Paramitha OktavianaAfiliasi tidak diketahui1
Galuh Oktavia SiswonoAfiliasi tidak diketahui1
Nyoman Gede Trisna SanjayaAfiliasi tidak diketahui1
Nyoman Gede Trisna SanjayaInstitut Teknologi Sepuluh Nopember1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Financial Distress Classification Using Feedforward Neural Network Based on Altman and Ohlson Financial Ratios</dc:title>
	<dc:title xml:lang="id">Klasifikasi Financial Distress Menggunakan Feedforward Neural Network Berdasarkan Rasio Keuangan Altman dan Ohlson </dc:title>
	<dc:creator xml:lang="en">Pratiwi, Annisa Salsabila</dc:creator>
	<dc:creator xml:lang="en">Siswono, Galuh Oktavia</dc:creator>
	<dc:creator xml:lang="en">Saputri, Prilyandari Dina</dc:creator>
	<dc:subject xml:lang="en">Area Under Curve</dc:subject>
	<dc:subject xml:lang="en">Feedforward Neural Network</dc:subject>
	<dc:subject xml:lang="en">Financial Distress</dc:subject>
	<dc:subject xml:lang="en">Financial Ratio</dc:subject>
	<dc:subject xml:lang="id">Area Under Curve</dc:subject>
	<dc:subject xml:lang="id">Feedforward Neural Network</dc:subject>
	<dc:subject xml:lang="id">Financial Distress</dc:subject>
	<dc:subject xml:lang="id">Rasio Keuangan</dc:subject>
	<dc:description xml:lang="en">The ever-changing economy requires companies to anticipate future conditions in order to avoid financial distress, a continuous decline in financial conditions. The research focused on comparing Altman and Ohlson’s financial ratio in classifying financial distress on Property and Real Estate companies using the Feedforward Neural Network. The data used is the financial report data of 19 Property and Real Estate companies listed on the Indonesian Stock Exchange in 2016-2022, with the initial status of financial conditions based on earnings per share. (EPS). The study also used the Synthetic Minority Oversampling Technique (SMOTE) method to address class imbalances.  The best financial ratio is selected based on accuracy values and Area Under Curve (AUC). Altman’s financial ratio with the FFNN model architecture (5-2-1) with a balance of 60:40 yields an accuracy of 84.62% and an AUC of 0.8325. The Ohlson Financial ratio with the 60:40 data balancing process and the FFNN model architecture (9-4-1) yields an accuracy of 93.27% and an AUC of 0.9045. Thus, in predicting financial distress in companies in the Property and Real Estate sector, Ohlson’s financial ratio with the predictor variables Corporate Size (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Acts (WCTA), Current Liability to Current Asset (CLCA), OENEG, Net Income to total assets (NITA), Cash Flows Operating to Total Responsibilities (CFOTL), Net Revenue (INTWO), and Net Incoming Change (CHIN) yielded the best results. This best ratio can be used as a consideration in using alternative financial ratio to classify financial distress.</dc:description>
	<dc:description xml:lang="id">Kondisi perekonomian yang selalu berubah menuntut perusahaan untuk dapat mengantisipasi kondisi yang akan datang, untuk menghindari financial distress, yaitu penurunan kondisi keuangan yang berkelanjutan dan sering terjadi sebelum mengalami kebangkrutan. Fokus pada penelitian ini adalah membandingkan rasio keuangan Altman dan Ohlson dalam mengklasifikasikan financial distress pada perusahaan Properti dan Real Estate menggunakan Feedforward Neural Network. Data yang digunakan merupakan data laporan keuangan 19 perusahaan Properti dan Real Estate yang terdaftar di Bursa Efek Indonesia tahun 2016-2022, dengan status awal kondisi keuangan perusahaan berdasarkan Earnings Per Share (EPS). Dalam penelitian ini digunakan juga metode Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas data.&amp;nbsp; Model dan metode terbaik dipilih berdasarkan nilai akurasi dan Area Under Curve (AUC). Rasio keuangan Altman dengan arsitektur model FFNN (5-2-1) dengan balancing 60:40 menghasilkan nilai akurasi 84,62% dan AUC 0,8325. Rasio Keuangan Ohlson dengan proses balancing data 60:40 dan arsitektur model FFNN (9-4-1) menghasilkan nilai akurasi 93,27% dan AUC 0,9045. Dengan demikian, dalam memprediksi financial distress pada perusahaan sektor Properti dan Real Estate, rasio keuangan Ohlson dengan variabel prediktor Ukuran Perusahaan (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Assets (WCTA), Current Liabilities to Current Assets (CLCA), Perbandingan Total Liabilities dan Total Assets (OENEG), Net Income to Total Assets (NITA), Cash Flows Operating to Total Liabilities (CFOTL), Nilai Net Income (INTWO), dan Perubahan Net Income (CHIN) memberikan hasil terbaik. Hasil klasifikasi ini dapat digunakan sebagai pertimbangan dalam menggunakan alternatif rasio keuangan untuk mengklasifikasikan financial distress.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2023-09-06</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/27742</dc:identifier>
	<dc:identifier>10.20956/j.v20i1.27742</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 20 No. 1 (2023): SEPTEMBER, 2023; 184-195</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/27742/10276</dc:relation>
	<dc:relation>10.20956/j.v20i1.27742.g10276</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2023 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>