Prediksi Kebangkrutan Perusahaan Infrastruktur Berdasarkan Image Financial Ratio Menggunakan Metode Convolutional Neural Networks (CNN)

Abstract

Saat ini pembangunan infrastruktur terus dilakukan oleh pemerintah Indonesia. Untuk melakukan pembangunan infrastruktur dibutuhkan bantuan dari perusahaan yang ber-gerak dalam bidang infrastruktur. Terdapat beberapa peru-sahaan Badan Usaha Milik Negara (BUMN) yang tergolong da-lam klaster jasa infrastruktur. Meskipun perusahaan tersebut tergolong dalam perusahaan Badan Usaha Milik Negara (BUMN), perusahaan tersebut masih memiliki risiko untuk bangkrut. Perusahaan dapat dikatakan bangkrut apabila peru-sahaan tersebut sudah tidak mampu untuk membayar kewa-jibannya. Dengan melakukan analisis terhadap rasio keuangan suatu perusahaan, dapat diketahui kinerja dari suatu perusa-haan. Untuk memprediksi kebangkrutan suatu perusahaan, metode yang sering digunakan adalah Artificial Neural Net-works, Support Vector Machine, Altman’s Zscore, dan lainnya. Pada penelitian kali ini akan digunakan metode Convolutional Neural Networks. Data yang digunakan merupakan laporan keuangan masing-masing perusahaan Badan Usaha Milik Ne-gara (BUMN) klaster jasa infrastruktur yang dipublikasikan pada tahun 2019-2021 melalui website masing-masing peru-sahaan. Hasil yang diharapkan oleh penelitian ini berupa pre-diksi apakah perusahaan Badan Usaha Milik Negara (BUMN) klaster jasa infrastruktur akan mengalami kebangkrutan atau tidak. Berdasarkan hasil analisis melalui rasio keuangan, perusahaan BUMN klaster infrastruktur memiliki kemiripan pada rasio Total Assets Turnover, Debt to Assets Ratio, dan Gross Profit. Dengan menggunakan metode CNN, didapatkan tingkat akurasi sebesar 71,43% untuk memprediksi suatu perusahaan termasuk kategori akan bangkrut atau tidak bangkrut pada data training. Sedangkan model yang didapatkan oleh data training dapat memprediksi 66,67% dari total data testing.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).