Data Pribadi
Nama : Satria Chahyo Nurgoho
NIM : 10111606
Tempat/Tanggal Lahir : Bandung, 29 Desember 1991
Umur : 24 Tahun
Jenis Kelamin : Laki – laki
Alamat : Kp. Pangsor Rt. 04/04
Desa Nanjung Mekar, Kecamatan Rancaekek Kabupaten Bandung - 40394
No. Telepon : 085795181555
Riwayat Pendidikan
1998 – 2004 SDN XV Cicalengka
2004 – 2007 SMPN 1 Cicalengka
2007 – 2010 SMA Bina Muda Cicalengka
2011 – 2016 Universitas Komputer Indonesia
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
SATRIA CHAHYO NUGROHO
101111606
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
iii
menganugerahkan kenikmatan dan kesehatan lahir batin serta kemampuan kepada
penulis untuk menyelesaikan penulisan skripsi dengan judul ”IMPLEMENTASI
FUZZY NEURAL NETWORK UNTUK MEMPREDIKSI
KEBANGKRUTAN PERUSAHAAN DI BURSA EFEK JAKARTA (BEJ)”
sebagai salah satu syarat kelulusan pada Program Strata 1 Program Studi Teknik Informatika, Fakultas Ilmu dan Teknik Komputer di Universitas Komputer Indonesia.
Keberhasilan penulis dalam menyelesaikan laporan skripsi ini tidak lepas dari peran serta berbagai pihak yang telah memberikan sumbangan pikiran, bimbingan, serta dorongan semangat yang sangat bermanfaat, oleh karena itu penulis mengucapkan terima kasih kepada :
1. Allah SWT atas rahmat, berkah, dan izin-Nya sehingga penulis mampu menyelesaikan penulisan laporan skripsi ini,
2. Nabi Muhammad SAW, yang menjadi figur teladan bagi penulis untuk tetap sabar dan berserah diri kepada Allah atas permasalahan yang dihadapi, 3. Kedua orang tua serta keluarga yang dengan tulus selalu mendoakan,
memberikan dorongan moril dan materil, masukan, perhatian, dukungan sepenuhnya, dan kasih sayang yang tidak ternilai,
4. Ibu Ednawati Rainarli, S.Si., M.Si. selaku Dosen Wali dan sebagai Dosen Pembimbing yang telah meluangkan waktunya dan memberikan bimbingan sehingga dapat menyelesaikan laporan skripsi ini dengan sebaik baiknya, 5. Ibu Nelly Indriani W, S.Si., M. T. selaku penguji sidang yang telah banyak
memberikan arahan saat revisi sidang,
6. Ibu Ken Kinanti P, S.Kom., M. T. selaku penguji seminar yang telah banyak memberikan arahan saat revisi seminar
iv
10. Kepada sahabat - sahabatku, seluruh mahasiswa Teknik Informatika khususnya kelas IF-13 / 2011, terimakasih atas doa dan dukungannya, 11. Kepada pihak - pihak yang tidak sempat disebutkan satu persatu, semua
memiliki andil yang sangat besar atas perjuangan saya. Terima kasih yang sebesar-besarnya.
Penulis menyadari dalam penulisan skripsi ini masih banyak terdapat kekurangan, untuk itu penulis mohon saran dan kritik yang membangun agar kedepannya menjadi lebih baik lagi. Penulis juga berharap agar skripsi ini dapat berguna dan bermanfaat bagi penulis dan pembaca. Semoga segala jenis bantuan yang telah diberikan kepada penulis mendapat balasan dari Allah SWT. Amin.
Wassalaamualaikum Warahmatullahi Wabarokatuh
v
1.5 Metodologi Penelitian ... 3
1.6 Sistematika Penulisan ... 6
... 7
2.1 Kebangkrutan Perusahaan ... 7
2.1.1 Penyebab Kegagalan Perusahaan ... 7
2.1.2 Manfaat Informasi Kebangkrutan ... 9
2.2 Analisis Laporan Keuangan ... 10
2.2.1 Laporan Keuangan ... 10
2.2.2 Tujuan Laporan Keuangan ... 10
2.2.3 Penggunaan Laporan Keuangan ... 11
2.3 Analisis Rasio Keuangan ... 11
vi
2.3.2 Jenis – jenis Rasio ... 12
2.4 Jaringan Saraf Tiruan ... 15
2.4.1 Arsitektur Jaringan ... 16
2.4.2 Neuron Fuzzy Kwan and Cai ... 17
2.4.3 Fungsi Keanggotaan ... 20
2.4.4 Fuzzifikasi ... 20
2.4.5 Jaringan Saraf Tiruan dan Logika Kabur ... 20
2.5 Entity-relationship Diagram (ERD) ... 21
2.6 Unified Modeling Language (UML) ... 21
2.7 Confusion Matriks ... 22
3.1.2 Analisis Data Masukan ... 26
3.2 Analisis Metode ... 30
3.2.1 Analisis Kebutuhan Non Fungsional ... 39
3.3 Pemodelan Sistem ... 40
3.3.1 Entity Relational Diagram (ERD) ... 40
3.3.2 Use Case Diagram ... 42
3.3.3 Skenario Diagram ... 44
3.3.4 Activity Diagram ... 55
3.3.5 Sequence Diagram ... 62
vii
... 79
4.1 Implementasi... 79
4.1.1 Implementasi Perangkat Keras ... 79
4.1.2 Implementasi Perangkat Lunak ... 79
4.1.3 Implementasi Basis Data ... 80
4.1.4 Implementasi Antarmuka ... 84
4.2 Pengujian ... 85
4.2.1 Pengujian Fungsionalitas ... 85
4.2.2 Hasil Pengujian Fungsionalitas ... 88
4.2.3 Kesimpulan Pengujian Fungsionalitas ... 93
4.2.4 Pengujian Performasi ... 93
4.2.5 Kesimpulan Performasi ... 94
... 97
5.1 Kesimpulan ... 97
5.2 Saran ... 97
99
[2] Aurelius Aaron. 2015. Implemetasi Fuzzy logic pada prediksi kebangkrutan perusahaan maufaktur di Indonesia.
[3] Deri Januar dan Mutia 2013. Fuzzy Neural Nework dengan Neuron Fuzzy Kwan and Cai serta aplikasi untuk evaluasi kinerja pertahanan klub sepak bola.
[4] Yani, Ahmad dan Gunawan Widjaja. 2004. Seri Hukum Bisnis Kepailitan.Indonesia : PT. Raja Grafindo Persada
[5] Yani, Ahmad dan Gunawan Widjaja. 2004. Seri Hukum Bisnis Kepailitan.Indonesia
[6] Sunarto, Desember 1996, Corporate Governace dan kinerja saham, FOKUS Ekomoni, vol. 2, no 3.
[7] Riyanto, Bambang. 2001. Dasar-Dasar Pembelanjaan Perusahaan.
Yogyakarta : BPFE
[8] Hanafi, Mamduh M. dan Abdul Halim. 2000. Analisis Laporan Keuangan.
Yogyakarta: UPP AMP YKPN.
[9] Badriwan, Zaki. 1992. Intermediate Accounting. Yogyakarta: BPFE.
[10] Munawir, S.2000. Analisis Laporan Keuangan. Yogyakarta: Liberty
[11] Jong, J.S. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi
[12] Ang, Robert, 1997. Buku Pintar Pasar Modal Indonesia. Mediasoft Indonesia
[13] Kusumadewi, S. dan Hartati, S. 2010. Neuron-Fuzzy Integrasi Sistem Fuzzy
[14] Kwan, H. K. dan Cai, Y., 2010. A Fuzzy Neural Network and its Application to Pattern Recognition, IEEE Transaction on Fuzzy Systems.
[15] R. A. S and M. Salahudin, 2014. Rekayasa Perangkat Lunak. Bandung : Informatika Bandung.
[16] N. I. Andyani, 2014. Analisis Performansi Metode Jaringan Syaraf Tiruan
Learning Vector Quantization Untuk Pendektesian Anak Berbakat (Gifthed
Child) Pada Masa Perkembangan.
[17] ”XAMPP,”Apache Friends, 2015. [Online]. Available :
http;//www.apachefriends.org. [Accessed 20 Februari 2016].
1
Resiko kebangkrutan bagi perusahaan sebenarnya dapat dilihat dan diukur melalui laporan keuangan, dengan cara melakukan analisis rasio terhadap laporan keuangan yang dikeluarkan oleh perusahaan yang bersangkutan. Analisis rasio merupakan alat yang penting untuk mengetahui posisi keuangan perusahaan serta hasil-hasil yang telah dicapai sehubungan dengan pemilihan strategi perusahaan yang telah dilaksanakan. Prediksi kebangkrutan berfungsi untuk memberikan panduan bagi pihak-pihak tentang kinerja keuangan apakah akan mengalami kesulitan atau tidak dimasa yang akan datang.
Banyak metode untuk melakukan prediksi kebangkrutan, seperti metode statistik dan metode soft computing. Soft computing merupakan metode yang dapat mengolah data bersifat tidak pasti, impresisi dan dapat diimplementasikan dengan biaya yang murah, soft computing kini banyak digunakan pada proses penelitian karena mampu memecahkan masalah dengan menggunakan pendekatan dalam melakukan penalaran, mampu mengolah data dengan baik walaupun didalamnya terdapat ketidakpastian, ketidakakuratan maupun kebenaran parsial [1].
Berdasarkan hasil studi literatur yang pernah dilakukan oleh Aurelius yang berjudul “ Implementasi Logika Fuzzy untuk Memprediksi Kebangkrutan
Berdasarkan hasil penelitian tersebut diketahui bahwa metode fuzzy logic memiliki ketidakpastian dalam melakukan prediksi, sehingga belum tepat untuk melakukan prediksi kebangkrutan[2].
Pada penelitian sebelumnya yang dilakukan oleh Deri Januar dan Mutia Nur
Estri yang berjudul “ Fuzzy Neural Network dengan Neuron Kwan and Cai Serta Aplikasinya untuk Evaluasi Kinerja Pertahanan Klub Bola Sepak Bola “ dijelaskan bahwa kinerja pertahanan pada periode berikutnya dapat dilakukan dengan melakukan evaluasi kinerja klub pada periode sebelumnya dengan menggunakan fuzzy neural network jenis neuron kwan and cai. Fuzzy kwan cai dapat mendeteksi permasalahan yang samar dan dapat mengenali pola yang tidak tetap.[3].
Fuzzy Neural Network merupakan suatu metode hybrid yang dilatih
menggunakan Artificial Neural Network dan struktur jaringannya diinterpretasikan dengan sekelompok aturan-aturan fuzzy. Fuzzy Neural Network dapat memberikan hasil yang lebih baik dari Fuzzy Logic dan dapat beradaptasi dengan perubahan lingkungan yang tidak terprediksi sebelumnya serta mampu memberikan hasil yang tidak jauh dari data aslinya, dengan menggunakan metode fuzzy neural network
berharap mampu menyelesaikan masalah yang terjadi pada penelitian sebelumnya. Berdasarkan masalah yang sudah dipaparkan, maka perlu dilakukan suatu penelitian pada tugas akhir ini untuk mencari tahu nilai akurasi metode Fuzzy
Neural Network pada prediksi kebangkrutan perusahaan di Bursa Efek Indonesia,
maka penulis mengambil judul : ” Implementasi Fuzzy Neural Network untuk Prediksi Kebangkrutan Perusahaan di Bursa Efek Jakarta “.
1.2 Rumusan Masalah
Berdasarkan penjelasan yang dipaparkan dalam latar belakang sebelumnya, maka dapat diidentifikasi masalah yang didapat adalah apakah metode Fuzzy
Neural Network mampu memprediksi tigkat kebangkrutan pada perusahaan yang
terdaftar di Bursa Efek Jakarta.
1.3 Maksud dan Tujuan
metode Fuzzy Neural Network Kwan and Cai untuk memprediksi tingkat kebangkrutan pada perusahaan.
Adapun tujuan yang ingin dicapai dari tugas akhir ini yaitu mengetahui tingkat akurasi pada metode Fuzzy Neural Network Kwan and Cai dalam melakukan prediksi kebangkrutan perusahaan.
1.4 Batasan Masalah
Aplikasi yang dibangun adalah aplikasi dengan batasan masalah dari pengembangan sistem sebagai berikut :
1. Metode yang akan dibangun untuk menerapkan kebangkrutan adalah metode
Fuzzy Neural Network dengan neuron Kwan and Cai.
2. Sampel data yang digunakan adalah laporan keuangan dari 74 perusahaan setiap tahunnya, yang terdaftar di Bursa Efek Indonesia semenjak tahun 2009-2014.
3. Aplikasi untuk simulasi prediksi kebangkrutan perusahaan akan dibangun berbasis web dan menggunakan bahasa pemograman PHP.
4. Pembangunan aplikasi menggunakan perangkat lunak XAMPP, dan Navicat Premium
1.5 Metodologi Penelitian
1. Pengumpulan data
Metode pengumulan data yang digunakan dalam penelitian ini adalah sebagai berikut :
a. Studi Literatur
Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper, dan bacaan-bacaan yang ada kaitannya dengan Fuzzy Neural Network dan Prediksi Kebangkrutan.
b. Observasi
Teknik pengumpulan data dengan cara penelitian dan peninjauan langsung pada data-data perusahaan yang terdaftar di Bursa Efek Jakarta.
Data yang diperoleh digunakan untuk menetukan kebutuhan-kebutuhan elemen sistem yang akan diperlukan pada penerapan Fuzzy Neural Network yang dilakukan pada sistem yang akan dibangun.
2. Uji Parameter
Pada tahap uji parameter ini dilakukan untuk memilih jenis parameter yang sesuai, dengan melakukan perhitungan nilai-nilai rasio dari setiap laporan keuangan perusahaan. Setelah itu nilai-nilai rasio di ubah kedalam uji korelasi untuk mengetahui jenis rasio yang signifikan dan memiliki tingkat akurasi yang tepat untuk melakukan prediksi kebangkrutan, yang akan digunakan sebagai data masukan untuk tahap pembelajaran dan pengujian metode fuzzy neural network
pada prediksi kebangkrutan perusahaan.
3. Menganalisis Metode
Pada tahap ini akan dilakukan analisis kebutuhan serta proses metode Fuzzy Neural Network untuk penerapan tingkat akurasi prediksi kebangkrutan perusahaan di Bursa Efek Jakarta. Setelah kebutuhan metode serta elemen sistem sudah terkumpul maka dibuat kedalam perancangan sistem yang akan dibangun.
4. Implementasi Metode
perusahaan di Bursa Efek Indonesia. Sistem yang dibangun menggunakan bahasa PHP dengan database MySQL sesuai dengan perancangan yang akan dibuat. 5. Pengujian
Setelah sistem selesai dibangun maka tahap selanjutnya adalah pengujian hasil implementasi Fuzzy Neural Network untuk prediksi kebangkrutan perusahaan di Bursa Efek Indonesia. Pada tahap ini akan ditinjau mengenai bagaimana keberhasilan Fuzzy Neural Network dapat digunakan untuk penerapan prediksi kebangkrutan perusahaan. Pengujian ini dilakukan dengan memfokuskan pengujian pada pengujian akurasi data yang dihasilkan berdasarkan rasio-rasio yang didapatkan.
6. Penarikan Kesimpulan
Berdasarkan hasil pengujian langkah selanjutnya adalah penarikan kesimpulan dari hasil penerapan Fuzzy Neural Network untuk prediksi kebangkrutan perusahaan di Bursa Efek Jakarta.
1.6 Sistematika Penulisan
Sistematika penulisan laporan akhir penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang masalah, rumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta sistematika penulisan yang bermaksud agar memberikan gambaran tentang urutan pemahaman dalam menyajikan laporan ini.
BAB 2 LANDASAN TEORI
Bab ini membahas mengenai landasan teori yang digunakan untuk menganalisis masalah dan teori yang dipakai dalam mengolah data penelitian, yaitu teori mengenai jenis rasio, pengolahan data rasio, metode Fuzzy Neural Network,
BAB 3 ANALISIS DAN PERANCANGAN
Bab ini menguraikan tentang kebutuhan perangkat lunak yang akan dibangun, mulai dari analisi masalah, analisi data, analisis model yang dibangun, analisis fungsional dan non fungsional, analisis kebutuhan perangkat lunak, analisis kebutuhan perangkat keras, perancangan antar muka, dan perancangan pesan. Pada bab ini juga dipaparkan tentang perancangan model untuk prediksi kebangkrutan perusahaan di Indonesia dengan menggunakan metode fuzzy neural network.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang implementasi metode Fuzzy Neural Network kedalam perangkat lunak berdasarkan perancangan yang sudah dibuat, serta pengujian sistem untuk mendapatkan akurasi untuk metode tersebut sehingga terlihat performasinya.
BAB 5 KESIMPULAN DAN SARAN
7
LANDASAN TEORI
2.1 Kebangkrutan Perusahaan
Kebangkrutan adalah suatu kondisi disaat perusahaan tidak dapat memenuhi kebutuhan dan membayar kewajiban. Menurut Undang-Undang Kepailitan No. 4 Tahun 1998, debit yang mempunyai dua atau lebih kreditur dan tidak membayar sedikit satu utang yang telah jatuh waktu dan dapat ditagih, dinyatakan pailit dengan putusan Pengadilan yang erwenang, baik atas permohonannya sendiri, maupun atas permintaan seorang atau lebih krediturnya [4].
Perusahaan publik yang gagal atau tidak ampu menghindari kegagalan untuk membayar kewajibannya terhadap pemberi pinjaman yang tidak terafiliasi, maka perusahaan publik wajib menyampaikan laporan mengenai pinjaman termasuk jumlah pokok dan bunga, jangka waktu pinjaman, nama pemberi pinjaman, pengguna pinjaman dan alas an kegagalan atau ketidakmampuan menghindari kegagalan kepada Bapepam dan Bursa Efek di mana efek perusahaan publik tercatat secepat mungkin, paling lambat akhir hari kedua sejak perusahaan publik mengalami kegagalan atau mengetahui ketidakmampuan untuk menghindari kegagalan yang dimaksud [5].
Analisis kebangkrutan dilakukan untuk memperoleh tanda-tanda awal kebangkrutan. Semakinawal tanda-tada kebangkrutan semakin baik bagi manajemen karena manajemen bias melakukan perbaikan-perbaikan. Tanda-tanda kebangkrutan dalam hal ini dilihat dengan menggunakan data-data akutansi. Kesulitan keuangan bias berarti mulai dari kesulitan likuidisi yang merupakan kesulitan keuangan paling ringan, sampai ke pernyataan kebangkrutan, yang merupakan kesulitan keungan yang paling berat.
2.1.1 Penyebab Kegagalan Perusahaan
Perusahaan yang menghadapi technically insolvent, jika perusahaan tidak dapat memenuhi kewajibannya yang segera jatuh tempo tetapi aset perusahaan nilainya lebih tinggi dari pada hutangnya.
a. Perusahaan yang menghadapi legally insolvent, jika nilai aset perusahaan lebih rendah dari nilai hutang perusahaan.
b. Perusahaan yang menghadapi kebangkrutan yaitu jika tidak dapat membayar hutangnya dan oleh pengadilan dinyatakan pailit.
Sementara faktor-faktor yang merupakan penyebab kegagalan suatu perusahaan pada prinsipnya digolongkan menjadi dua yaitu : [7]
a. Sebab intern adalah sebab yang timbul dari perusahaan itu sendiri, yang meliputi sebab finansial maupun non finansiil.
a. Sebab-sebab yang menyangkut bidang finansiil meliputi :
a. Adanya utang yang terlalu besar sehingga memberikan beban tetap yang berat pada perusahaan.
b. Adanya “cuurent liabilities” yang terlalu besar diatas “current assets”.
c. Lambatnya pengumpulan piutang atau banyaknya ” Bad-Debts”
(piutang tah tertagih).
d. Kesalahan dalam “dividend-policy”. e. Tidak cukupnya dana-dana penyusutan.
b. Sebab-sebab yang menyangkut bidang non finansiil mliputi :
a. Adanya kesalalahan pada para pendiri perusahaaan, yaitu antara lain : a. Kesalahan dalam pemilihan tempat kedudukan perusahaan. b. Kesalahan dalam penentuan produk yang dihasilkan. c. Kesalahan da;am penentuan besarnya perusahaan. b. Kurang baiknya stuktur organisasi perusahaan.
c. Kesalahan dalam pemilihan pemimpin perusahaan. d. Adanya “managerial incompetence”.
c. Sebab ekstern adalah sebab-sebab yang timbul atau berasal dari luar perusahaan dan yang berada diluar kekuasaan atau control dari pimpinan perusahaan atau badan usaha, yaitu antara lain :
a. Adanya persaingan yang hebat.
b. Berkurangnya permintaan terhadap produk yang dihasilkan. Turunnya harga-harga, dan lain sebagainya.
2.1.2 Manfaat Informasi Kebangkrutan
Informasi kebangkrutan sangat bermanfaat bagi beberapa pihak seperti berikut ini :
a. Pemberi Pinjaman
Informasi kebangkrutan bisa bermanfaat untuk mengambil keputusan siapa yang akan diberi pinjaman, dan kemudian bermanfaat untuk kebijakan memonitor pinjaman yang ada.
b. Investor
Investor saham atau obligasi yang dikeluarkan oleh suatu perusahaan tentunya akan sangat berkepentingan melihat adanya kemungkinan bangkrut atau tidaknya perusahaan yang menjual surat berharga tersebut. Investor yang menganut strategi aktif akan mengembangkan model prediksi kebangkrutan untuk melihat tanda-tanda kebangkrutan seawal mungkin dan kemudian mengantisipasi kemungkinannya.
c. Pemerintah
Pada sektor usaha, lembaga pemerintah mempunyai tanggung jawab untuk mengawasi jalannya usaha tersebut. Pemerintah juga mempunyai badan-badan usaha yang harus selalu diawasi. Lembaga pemerintah mempunyai kepentingan untuk melihat tanda-tanda kebangkrutan lebih awal supaya tindakan-tindakan yang perlu bias dilakukan lebih awal.
d. Akuntan
e. Manajemen
Apabila manajemen bisa mendeteksi kabangkrutan lebih awal, maka tindakan-tindakan penghematan bisa dilakukan yang berkaitan dengan munculnya biaya kebangkrutan. Misalnya dengan merger atau restrukturisasi keuangan sehingga biaya kebangkrutan bisa dihindari [8].
2.2 Analisis Laporan Keuangan
Laporan keuangan adalah ringkasan dari suatu proses pencatatan, merupakan ringkasan dari transaksi-transaksi keuangan yang terjadi selama tahun buku yang bersangkutan, yang dibuat oleh manajemen dengan tujuan untuk mempertanggungjawabkan tugas-tugas yang dibebankan kepadanya oleh para pemilik perusahaan dan juga digunakan untuk memenuhi tujuan-tujuan lainnya yaitu sebagai laporan kepada pihak-pihak diluar perusahaan [9].
2.2.1 Laporan Keuangan
Laporan keuangan merupakan produk dari akutansi, begitu juga interpretasi
laporan keuangan juga merupakan salah satu fungsi pokok dari akutansi. Laporan keuangan juga merupakan ringkasan dari operasi perusahaan dalam periode tertentu dan didalamnya terdapat informasi tentang kondisi perusahaan. Perusahaan menyediakan informasi akutansi karena memiliki stakeholder yang bervariasi seperti pemegang saham, pemegang obligasi, banker, kreditur, supplier, karyawan, dan manajemen. Para stakeholder perlu mengetahui bagaimana kinerja keuangan perusahaan.
2.2.2 Tujuan Laporan Keuangan
Tujuan dari laporan keungan adalah untuk memberikan informasi keuangan tentang entitas pelapor yang berguna untuk menyajikan dan calon investor ekuitas pemberi pinjaman, dan kreditur lainnya dalam pengambilan keputusan tentang penyediaan sumber daya untuk entitas.
dalam pembuatan keputusan ekonomi. Laporan keuangan juga menunjukan hasil pertanggungjawaban manajemen atas penggunaan sumber daya yang dipercayakan kepada mereka.
2.2.3 Penggunaan Laporan Keuangan
Secara umum, penggunaan laporan keuangan dapat di kategorikan menjadi dua kategori, yaitu :
1. Penggunaan internal, yaitu penggunaan laporan keuangan yang menggunakan laporan keuangan untuk pengambilan keputusan secara langsung dan mempunyai pengaruh terhadap kegiatan internal perusahaan. 2. Penggunaan eksternal, yaitu pengguna laporan keangan yang menggunakan
laporan untuk pengambilan keputusan berkaitan dengan hubungan mereka dengan perusahaan.
2.3 Analisis Rasio Keuangan
Dalam mengadakan interpretasi dan analisa laporan keuangan suatu perusahaan, seorang penganalisa memerlukan adanya ukuran atau “yard-stick”
tertentu. Ukuran yang sering digunakan dalam analisis keuangan adalah “rasio”. Pengertian rasio itu sebenarnya hanyalah alat yang dinyatakan dalam
“arithmetical terms” yang dapat digunakan untuk menjelaskan hubungan antara
dua macam data keuangan. Rasio menggambarkan suatu hubungan atau perimbangan antara suatu jumlah tertentu dengan jumlah yang lain, dan dengan menggunakan alat analisa berupa rasio akan dapat memberikan gambaran kepada pengalaisa tentang baik dan buruknya keadaan tentang posisi keuangan suatu perusahaan terutama apabila dibandingkan dengan angka rasio pembanding yang digunakan sebagai standar [10].
2.3.1 Penggolongan Angka Rasio
a. Rasio likuiditas adalah rasio yang dimaksudkan untuk mengukur likuiditas perusahaan misalnya current ratio, acid test rasio, cash ratio, working capital to total assets ratio.
b. Rasio laverage adalah rasio yang dimaksudkan untuk mengukur sampai seberapa jauh aktiva perusahaan dibiayai dengan utang, misalnya total dept to total assets, total dept to total capital assets, long dept to equity, tangible assest
debt coverage, time interest earned ratio.
c. Rasio aktivitas adalah rasio yang digunakan untuk mengukur sampai seberapa besar efektivitas perusahaan dalam mengerjakan sumber-sumber datanya, misalnya total assets turnover, receivalble turnover, average collction period, inventory turnover, average days inventory, working capital turnover.
Rasio profitabilitas adalah rasio yang menggambarkan kemampuan perusahaan dalam mendapatkan laba melalui semua kemampuan dan sumber yang ada seperti kegiatan penjualan, kas, modal, jumlah karyawan, jumlah cabang.
2.3.2 Jenis – jenis Rasio
Pada subab ini akan membahas mengenai rasio likuiditas, rasio aktivitas, rasio solvabilitas atau leverage, dan rasio profitabilitas atau rentabilitas[7].
2.3.2.1 Rasio Likuiditas
Rasio likuiditas biasa digunakan dalam melakukan analisis kredit karena likuiditas berkaitan dengan kemampuan perusahaan dalam memenuhi kewajiban jangka pendeknya yang harus segera dipenuhi, atau kemampuan perusahaan untuk memenuhi kewajiban keuangan pada saat jatuh tempo.
a. Rasio lancar (Current Ratio)
Rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memenuhi kewajiban jangka pendek dengan aktiva lancar.
Current Ratio = aktiva lancar / hutang lancar (1)
b. Rasio cepat (Quick Ratio)
Quick Ratio = (aktiva lancar – persediaan) / hutang lancar (2)
c. Rasio lambat (Cash ratio)
Rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memenuhi kewajiban jangka pendek dengan kas yang tersedia dalam perusahaan.
Cash ratio = (cash + efek) / hutang lancar (3)
2.3.2.2 Rasio Solvabilitas
Rasio ini disebut juga Ratio Leverage yaitu mengukur perbandingan dana yang di sediakan oleh pemiliknya dengan dana yang dipinjam dari kredit perusahaan tersebut. Rasio ini dimaksud untuk mengukur sampai seberapa jauh aktiva perusahaan dibiayai oleh hutang rasio ini menunjukan indikasi tingkat keamanan dari para pemberi pinjaman.
a. Rasio hutang terhadap ekuitas (Total debt to equity ratio)
Rasio ini untuk mengukur tingkat penggunaan hutang terhadap total kepemilikan saham yang dimiliki oleh perusahaan.
Total debt to equity ratio = Total hutang / ekuitas pemegang saham
(4)
b. Rasio hutang terhadap total aktiva (Total debt to total assets ratio)
Mengukur beberapa bagian dari kebutuhan dana yang dibelanjai dengan hutang atau beberapa barang dari aktiva yang digunakan untuk menjamin hutang.
Total debt to total assets ratio = Total hutang / total aktiva (5)
c. Time Interest Earned
Mengukur seberapa banyak laba operasi mampu membayar bunga hutang
Time Interest Earned = Laba operasi / beban bunga (pertahun) (6)
d. Rasio kewajiban lancar terhadap total aktiva mengukur berapa besar total aktiva perusahaan yang dibiayai dengan kewajiban lancar
2.3.2.3 Rasio Profitabilitas
Rasio ini disebut juga sebagai Ratio Profitabilitas yaitu rasio yang digunakan untuk mengukur kemampuan perusahaan dalam memperoleh laba atau keuntungan, profitabilitas suatu perusahaan mewujudkan perbandingan antara laba dengan aktiva atau modal yang menghasilkan laba tersebut.
a. Margin laba kotor (Gross Profit Magin)
Merupakan perbandingan antar penjualan bersih dikurangi dengan harga pokok penjualan dengan tingkat penjualan, rasio ini menggambarkan laba kotor yang dapat dicapai dari jumlah penjualan.
Gross Profit Magin = laba kotor / penjualan (8)
b. Margin laba bersih (Net Profit Margin)
Rasio yang digunakan untuk mengukur laba bersih sesudah pajak lalu dibandingkan dengan volume penjualan.
Net Profit Margin = laba setelah pajak / penjualan (9)
c. Earning Power of Total investment
Rasio yang digunakan untuk mengukur kemampuan dari model yang diinvestasikan dalam keseluruhan aktiva untuk menghasilkan keuntungan.
ROI = EBIT / total aktiva (10)
d. Pengembalian atas Ekuitas (Return on Equity)
Rasio yang digunakan untuk mengukur kemampuan perusahaan dalam menghasilkan laba dengan memanfaatkan modal saham yang dimiliki perusahaan.
ROE = laba setelah pajak / ekuitas saham (11)
2.3.2.4 Rasio Aktivitas
Rasio ini menunjukan kemampuan efesiensi perusahaan didalam memanfaatkan harta-harta yang dimilikinya.
a. Total Assets Turnover
Kemampuan modal yang diinvestasikan untuk menghasilkan pendapatan (revenue)
b. Receivable Turnover
Kemampuan dana yang ditanamkan dalam pihutang untuk mengumpulkan pihutang.
Receivable Turnover = sales / receivable (13)
c. Average Collection Period
Periode rata-rata yang diperlukan untuk mengumpulkan pihutang.
Average Collection Period = 365 hari / sales / receivable (14)
d. Inventory Turn over
Kemampuan berputarnya dana yang ditanamkan dalam inventory pada suatu periode tertentu.
Inventory Turn over = sales / inventory (15)
e. Average Days Inventory
Periode penahanan persediaan rata-rata.
Average Days Inventory = 365 / inventory turn over (16)
f. Working Capital Turnover
Kemampuan modal kerja berputar dalam suatu periode siklus kas dari perusahaan.
Working Capital Turnover = sales / working capital (17)
2.4 Jaringan Saraf Tiruan
Jaringan syaraf tiruan adalah system pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa [11] :
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b. Sinyal dikirimkan di antara neuron-neuron melalui
penghubung-penghubung.
Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linear) yang dekenanakan pada jumlah input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
2.4.1 Arsitektur Jaringan
Beberapa arsitektur jaringan yang sering digunakan dalam jaringan syaraf tiruan antara lain [11] :
a. Jaringan Layar Tunggal (Single Layer Network)
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpul outputnya. Dalam beberapa model, hanya ada sebuah unit neuron output.
Input Layer Output Layer
Gambar 2.1 Jaringan Layar Tunggal
Dalam jaringan ini semua unit input dihubungkan dengan semua unit output, meskipun dengan bobot yang berbeda. Tidak ada unit input yang dihubungkan dengan unit input lainnya begitu dengan unit output.
Besaran w menyatakan bobot hubungan antara unit input dengan unit output. Bobot-bobot ini saling independen, selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil. Model semacam ini tepat digunakan untuk pengenalan pola karena kesederhanaannya.
b. Jaringan Layar Jamak (Multi Layer Network)
Input Layer Hidden Layer Output Layer
Gambar 2.2 Jaringan Layar Jamak
Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama.
c. Jaringan Reccurent
Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input atau sering disebut dengan feedback loop.
Gambar 2.3 Jaringan reccurent
2.4.2 Neuron Fuzzy Kwan and Cai
Fuzzy Neural Network merupakan model jaringan yang menggunakan
dihubungkan langsung ke unit keluarannya. Operasi data pada arsitektur jaringan
Fuzzy Neural Network dengan neuron fuzzy Kwan dan Cai menggunakan konsep
fuzzy[14].
Arsitektur jaringan Fuzzy Neural Network dengan neuron fuzzy Kwan dan Cai terdiri dari dua layar, yaitu masukan dan layar keluaran, serta empat operasi data propagasi maju (yaitu operasi perkalian, operasi agregasi, operasi aktivasi jaringan, dan operasi fuzzifikasi), seperti pada gambar berikut :
X1
Gambar 2.4 Struktur Neuron Fuzzy Kwan and Cai
� , = 1, … , Pada gambar diatas, arsitektur jaringan Fuzzy Neural Network dengan neuron fuzzy Kwan dan Cai terdiri dari n buah unit masukan yaitu 1, . . . , �), n buah bobot (yaitu w1, ….,wn), m buah unit keluaran (yaitu y1,….,ym), dan sebuah nilai ambang batas (threshold) T. Semua nilai pada unit masukan, bobot, dan threshold berupa bilangan riil. Pada unit keluaran, nilai yang dihasilkan berupa bilangan riil yang direpresentasikan dengan derajat keanggotaan yang terletak pada interval [0,1]. Selain itu, terdapat sebuah fungsi agregasi yang dilambangkan h, sebuah fungsi aktivitas yang dilambangkan f, dan m buah fungsi keanggotaan yangdilambangkan
Berdasarkan arsitektur jaringan, system kerja Fuzzy Neural Network dengan neuron fuzzy Kwan and Cai dibagi menjadi tiga langkah.
1. Langkah pertama
nilai pada tiap unit masukan tidak terletak pada interval yang sama, maka dilakukan transformasi data pada tiap unit masukan.
2. Langkah kedua
Menentukan proses pelatihan. Proses pelatihan dilakukan menggunakan algoritma pelatihan dengan propagasi maju. Propagasi maju terdiri dari empat tahap operasi data. Keempat tahap operasi data propagasi maju tersebut adalah sebagi berikut :
Operasi pertama merupakan operasi perkalian data antara unit masukan xi dan bobot wi, untuk i=1,…,n. Hasil dari operasi perkalian tersebut berupa nilai, yang dilambangkan dengan pi. Dengan demikian operasi perkalian data dapat dirumuskan sebagai :
� = , = 1, … ,
Operasi kedua merupakan operasi agregasi terhadap nilai pi. Hal ini dikarenakan fungsi yang digunakan adalah fungsi agregasi h(p1, . .,pn). Hasil dari operasi agregasi tersebut berupa nilai, yang dilambangkan dengan z. Fungsi agregasi yang digunakan terdiri dari dua jenis, yaitu maksimum dan minimum. Fungsi agregasi maksimum adalah fungsi yang nilai keluarannya berupa nilai dari kumpulan p1,. . ., pn. Fungsi agregasi maksimum dirumuskan sebagai :
= ℎ �1, … , �� = max �1, … , ��
Fungsi agregasi minimum adalah fungsi yang nilai keluarannya berupa nilai minimum dari kumpulan nilai p1,….,pn. Fungsi agregasi minimum dirumuskan sebagai :
= ℎ �1, … , �� = min �1, … , ��
Operasi ketiga merupakan operasi aktivitas jaringan. Hasil dari operasi aktivitas berupa nilai, yang dilambangkan dengan s. Nilai s diperoleh dari hasil fungsi aktivitas terhadap pengurangan antara nilai z dan nilai T. Dengan demikian, operasi aktivitas Fuzzy Neural Network dengan neuron fuzzy Kwan and Cai dirumuskan sebagai :
Operasi keempat merupakan operasi fuzzifikasi terhadap nilai s. Hasil dari operasi fuzzifikasi tersebut berupa nilai, yang dilambangkan dengan yj, untuk = j
=1,…,m. Nilai yj dirumuskan dengan persamaan sebagai :
= � , = 1, … ,
� adalah derajat keanggotaan yang ditentukan oleh fungsi keanggotaan.
3. Langkah Ketiga
Menganalisis nilai pada keluaran jaringan, yaitu yj. Langkah ketiga bertujuan untuk menentukan keluaran jaringan yang diinginkan dan memperoleh kesimpulannya.
2.4.3 Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva menunjukan pemetaan titik-titik input data kedalam nilai mendapatkan keanggotaannya. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi [12].
2.4.4 Fuzzifikasi
Fuzzyfikasi adalah suatu proses yang dilakukan untuk memetakan variable nyata kedalam variable kabur. Fuzzyfikasi digunakan ketika variable yang akan digunakan belum berada dalam nilai kabur. Pemetaan dilakukan dengan bantuan model dari fungsi keanggotaan agar dapat diketahui besar masukan tersebut ( derajat keanggotaan) [10].
2.4.5 Jaringan Saraf Tiruan dan Logika Kabur
Jaringan syaraf tiruan dapat dikembangkan melalui penggabungan dengan ilmu logika kabur. Sehingga berubah menjadi jaringan syaraf kabur / Fuzzy Neural
Network. Dalam implementasinya, yang digunakan adalah arsitektur jaringan dari
backpropagation dengan perhitungan didalamnya melibatkan perhitungan nilai kabur.
atau estimasi kepadatan). Mereka memiliki kelemahan tertentu dan keuntungan yang hampir sepenuhnya menghilang dengan menggabungkan kedua konsep. Dibandingkan dengan jaringan saraf umum, bobot hubungan dan propagasi dan aktivitas fungsi dari jaringan saraf kabur banyak berbeda.
Fungsi aktivitas dari unit input adalah nilai suatu variable masukan yang sesuai dengan nilai yang diberikan. Nilai input dilewatkan dalam unit-unit himpunan fuzzy, yang akan merubah nilai kedalam suatu derajat keanggotaan sebagai fungsi aktivitas dari unit himpunan fuzzy. Unit penghubung akan
mengambil ‘min’ dari input (derajat keanggotaan) yang diterima dari masukan unit fuzzy set sebelumnya. Unit output fuzzy menampung informasi dari satu atau lebih unit penghubung (masing-masing berhubungan dengan sebuah aturan fuzzy). Ada variasi pada titik ini. Unit output himpunana fuzzy bisa menggunakan ‘max’ dari masukan-masukan sebelumnya. Kemudian, unit output membangkitakn hasil akhir dengan mengintegiraskan informasi dari unit-unit himpunan fuzzy [13].
2.5 Entity-relationship Diagram (ERD)
ERD adalah diagram grafikal keseluruhan struktur logika dari sebuah basis data. ERD tidak menggambarkan aliran data atu proses data, tetapi ERD lebih menggambarkan data pada data store.
ERD ini berfungsi untuk menggambarkan relasi dari dua tabel yang dapat digolongkan dalam tiga mcam bentuk relasi, yaitu relasi satu ke satu, satu kebanyak dan relasi banyak ke banyak.
Model ERD yang berisi komponen-komponen himpunan entitas dan himpunan relasi yang masing-masing dilengkapi atribut-atribut yang mempresentasikan seluruh fakta yang ditinjau[15].
2.6 Unified Modeling Language (UML)
perangkat lunak, seperti pada pemodelan bisnis dan system non perangkat lunak lainnya [16], dan terdapat bagian-bagian diagram sebagai berikut :
a. Use case diagram
Use case diagram merupakan suatu aktivitas system dalam menanggapi permintaan pengguna dalam sebuah masalah dimana system yang digunakan oleh pengguna (actor) [16].
b. Activity diagram
Activity diagram dapat membantu untuk menggambarkan aliran control dari
sistem, seperti aturan bisnis menggambarkan jalannya fungsi yang ada dan menggambarkan kasus penggunaan juga proses bisnis [16].
c. Sequence diagram
Sequence diagram merupakan kolaborasi objek berdasarkan urutan waktu. Sequence diagram menunjukan bagaimana objek berinteraksi dengan objek lain dalam scenario tertentu dari sebuah use case [16]
d. Class diagram
Class diagram memberikan gambaran tentang system target dengan
menggambarkan objek dan kelas dalam system dan hubungan antara mereka. Pada class diagram juga terdapat atribut dan method-method yang ada pada system [16].
2.7 Confusion Matriks
Confusion matrix digunakan untuk mengevaluasi tingkat kebenaran dari pengujian penelitian yang telah dilakukan [16]. Penjelasan confusion matrix pada Tabel 2.1.
Tabel 2.1 Confusion Matriks
Predicted
1 2
True Class 1 2 a c b d
Keterangan :
c. : Jumlah dari hasil stage 2 yang terdeteksi salah sebagai stage 1 d. : Jumlah dari hasil stage 2 yang terdeteksi benar sebagai stage 2
2.8 XAMPP
Xampp adalah perangkat lunak bebas yang mendukung banyak sistem operasi. Xampp merupakan kompilasi dari beberapa program. Fungsinya adalah sebagai server yang berdiri sendiri (localhost) yang terdiri atas program Apache HTTP Server, MySQL database dan penerjemah bahasa yang ditulis dengan bahasa pemrograman PHP dan Perl. Nama Xampp merupakan singkatan dari X (empat sistem operasi apapun), Apache, MySQL, PHP dan Perl. Program ini tersedia dalam GNU General Public License dan bebas. Xampp merupakan web server yang mudah digunakan yang dapat melayani tampilan halaman web yang dinamis [17]. Bagian penting XAMPP yang biasa digunakan pada umunya adalah :
1. XAMPP Control Panel Aplication berfungsi mengelola layanan (service) XAMPP. Seperti mengaktifkan layanan (start) dan menghentikan (stop) layanan.
2. htdoc adalah folder tempat meletakkan berkas-berkas yang akan dijalankan
di Windows, folder ini berada di C://xampp.
3. phpMyAdmin merupakan bagian untuk mengolah database.
2.9 MySQL
MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL (bahasa Inggris : database management system) atau DBMS yang multi-thread, multi-user, dengan sekitar 6 juta instalasi di seluruh dunia. MySQL AB membuat MySQL tersedia sebagai perangkat lunak gratis dibawah lisensi GNU General Public License(GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasus-kasus dimana penggunaannya tidak cocok dengan penggunaan GPL.
25
3.1 Analisis Sistem
Analisis merupakan suatu proses untuk menerjemahkan konsep dalam bagian-bagian yang lebih sederhana, sehingga struktur logikanya dapat dibaca dengan mudah dan menjadi lebis jelas. Analisis merupakan metode untuk menguji, menilai, dan memahami sistem pemikiran yang rumit dengan memecahkan kedalam unsur-unsur yang lebih sederhana sehingga hubungan antar unsur-unsur itu menjadi jelas.
3.1.1 Analsis Masalah
Memprediksi tingkat kebangkrutan pada suatu perusahaan sangat penting untuk dilakukan, dengan adanya system yang dapat memprediksi potensi kebangkrutan suatu perusahaan maka akibat kebangkrutan dapat diminimalisir. Banyak yang sudah melakukan penelitian mengenai prediksi kebangkrutan perusahaan, salah satunya telah dibuktikan pada skripsi “ Implementasi Logika
Fuzzy Untuk Memprediksi Kebangkrutan Perusahaan di Indonesia “ karya Aurelius
Aaron. Pada skripsi ini, dijelaskan bahwa Logika Fuzzy mampu melakukan prediksi pada potensi kebangkrutan suatu perusahaan dengan akurasi yang dihasilkan mencapai 81,54% untuk setahun sebelum kebangkrutan dengan error tipe I sebesar 58,82% dan error II sebesar 12,39% dan 83,85% untuk dua tahun sebelum kebangkrutan dengan error I sebesar 70,59% dan error tipe II 7,96%, akan tetapi tingkat akurasi yang dihasilkan untuk prediksi kebangkrutan, bahwa Fuzzy
Logic masih mempunyai kelemahan
perlu dilakukan implementasi terhadap metode Fuzzy Neural Network untuk mengetahui tingkat akurasi dari metode Fuzzy Neural Network dalam memprediksi kebangkrutan perusahaan di Bursa Efek Jakarta.
3.1.2 Analisis Data Masukan
Data yang digunakan sebagai data masukan bersumber dari laporan keuangan 74 perusahaan yang terdaftar di Bursa Efek Jakarta (BEJ) pada berbagai sektor industri sejak tahun 2005-2008.
Laporan keuangan tiap perusahaan akan dilakukan perhitungan rasio-rasio dan uji korelasi untuk menghasilkan data yang digunakan sebagai masukan pada Sistem Prediksi Tingkat Kebangkrutan Perusahaan.
Adapun tahapan analisis masukan data sebagai berikut :
1. Seluruh data laporan akan dihitung nilai rasio dari setiap data.
2. Dilakukan uji korelasi. Mendapat rasio mana saja yang digunakan sebagai masukan FNN.
3. Rasio yang memiliki korelasi terhadap kebangkutan akan digunakan sebagai data masukan FNN.
Nilai rasio yang didapatkan dari laporan keuangan digunakan untuk memperoleh data masukan yang sesuai dengan karakteristik perusahaan di Indonesia . Adapun rasio keuangan yang digunakan pada penelitian ini adalah sebagai berikut :
Tabel 3.1 Rasio-Rasio keuangan yang Digunakan Dalam Penelitian
Nama Rasio Jenis Rasio
X1 Current Ratio Rasio Likuiditas
X2 Working Capital to Total Assets Rasio Likuiditas
X3 Current to Total Libialities Rasio Likuiditas
X4 Total Assets Turn Over Rasio Solvabilitas
X5 Total Debt to Total Capital Assets Ratio Rasio Solvabilitas
X6 Cuurent Libialities to Total Assets Rasio Solvabilitas
X7 Gross Profit to Current Liabilities Rasio Sovabilitas
X8 Shareholder Equity Ratio Rasio Solvabilitas
X9 Sales to Total Assets Rasio Aktivitas
X10 Book Value of Equity to Book Value of Debt Rasio Aktivitas
X11 Working Capital Turnover Rasio Aktivitas
X13 Return On Equity Rasio Profitabilitas
X14 Operating Margin Rasio Profitabilitas
X15 Retained Earnings to Total Assets Rasio Profitabilitas
X16 Return On Assets Rasio Profitabilitas
X17 Operating Margin Rasio Profitabilitas
X18 Log of Total Assest Rasio Lainnya
Rasio – rasio keuangan dari setiap data masukan akan dilakukan uji korelasi guna mendapatkan rasio mana saja yang mempunyai korelasi signifikan terhadap nilai potensi kebangkrutan perusahaan (0 untuk perusahaan tidak mengalami kebangkrutan dan 1 untuk perusahaan yang mengalami kebangkrutan ), dan menentukan korelasi rendah dengan rasio-rasio lainnya.
Dalam penelitian ini dibangun sebuah model, yaitu untuk melakukan prediksi kebangkrutan perusahaan, maka masing masing model dilakukan uji kolesasi. Berikut hipotesis uji korelasi untuk model yang akan dibangun :
1. Current Ratio
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan.
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
2. Working Capital to Total Assets
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan.
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
3. Current to Total Libialities
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan.
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
4. Total Assets Turn Over
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
5. Total Debt to Total Capital Assets Ratio
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan.
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
6. Cuurent Libialities to Total Assets
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan
7. Gross Profit to Current Liabilities
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan
9. Sales to Total Assets
H0 = tidak ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan.
H1 = ada hubungan yang signifikan antara rasio current ratio dengan kebangkrutan perusahaan0
10.Book Value of Equity to Book Value of Debt
H1 = ada hubungan yang signifikan antara rasio current ratio dengan
15.Retained Earnings to Total Assets
H1 = ada hubungan yang signifikan antara rasio current ratio dengan
Setelah menentukan hipotesis untuk uji korelasi, maka dilakukanlah uji korelasi untuk masing-masing model dengan hasil yang dapat dilihat pada lampiran. Berdasarkan hasil dari uji korelasi tersebut diketahui bahwa rasio-rasio memiliki pengaruh signifikan terhadap tingkat kebangkrutan perusahaan serta berkorelasi rendah dengan rasio-rasio keuangan lainnya untuk model prediksi kebangkrutan setahun sebelumnya adalah Working to total assets, Retained earning to total assets, Return on Assets, dan Shareholder equity ratio
Sedangkan rasio yang memiliki pengaruh signifikan terhadap tingkat kebangkrutan perusahaan serta berkorelasi rendah dengan rasio keuangan lainnya untuk model prediksi kebangkrutan dua tahun sebelumnya adalah Working to total assets, Retained earning to total assets, Return on Assets, Shareholder equity ratio
dan Total Debt to Total Capital Assets Ratio.
3.2 Analisis Metode
Mulai
Operasi Perkalian
(perkalian antara nilai variabel dengan bobot )
Operasi Agregasi
(menentukan nilai max dari nilai operasi perkalian )
Operasi Aktivitas
(nilai max dikurangi T)
Fuzzifikasi
(himpunan fuzzy menggunakan kurva-S)
Selesai Variabel Masukan
(jenis rasio dari hasil uji korelasi)
Rasio Keuangan
Gambar 3.1 Struktur Fuzzy Neural Network Kwan and Cai
Setelah struktur fuzzy neural network kwan and cai didapat langkah berikutnya yaitu menggambarkan alur proses dengan menggunakan arsitektur fuzzy neural network kwan and cai untuk setahun sebelum kebangkrutan yang dapat dilhat pada gambar 3.2 dan dua tahun sebelum kebangkrutan yang dapat dilihat pada gambar 3.3.
X1
Gambar 3.2 Arsitektur Fuzzy Neural Network Kwan and Cai untuk satu tahun
sebelum kebangkrutan.
Sedangkan untuk arsitektur dua tahun sebelum kebangkrutan memiliki 5 jenis rasio sebagai data masukan untuk melakukan prediksi kebangkrutan Gambar 3.3 Arsitektur Fuzzy Neural Network Kwan and Cai untuk dua tahun sebelum
Gambar 3.3 Arsitektur Fuzzy Neural Network Kwan and Cai untuk dua tahun
sebelum kebangkrutan.
1. Langkah pertama
Berdasarkan dari laporan keuangan yang bersumber dari Bursa Efek Jakarta yang dapat dilihat pada lampiran, diketahui bahwa tiap perusahaan memiliki nilai laporan keuangan yang berbeda.
2. Langkah kedua
Setelah laporan keuangan dirubah kedalam bentuk rasio maka dilakukan uji korelasi untuk menentukan jenis rasio yang akan dijadikan sebagai inputan pada model prediksi dan nilai terbesar dari hasil uji korelasi tersebut akan dijadikan sebuah bobot pada data masukan, yang dapat dilihat pada lampiran.
3. Langkah ketiga
Berdasarkan jenis rasio dan bobot yang telah didapat dilakukan proses perhitungan untuk mencari nilai fuzzifikasinya yang dapat dilihat pada lampiran.
Contoh Kasus : BATA pada tahun 2012. Pada kasus ini akan dibahas bagaimana fuzzy neural network kwan and cai dapat memprediksi kebangkrutan perusahaan untuk model setahun kebangkrutan, data yang akan digunakan pada kasus ini adalah lapoan keuangan BATA 2012.
Diketahui data masukan dengan sebagai berikut :
Tabel 3.2 Data Masukan Satu Tahun Sebelum Kebangkrutan
Kode Nama Rasio Nilai Rasio
X2 Working Capital to Total Assets 0.1472
X16 Return on asset 0.6058
X15 Retained Earnings to Total Asset 0.6568
X8 Shareholder Equity ratio 0.7909
1. Lapisan 1 (Operasi Perkalian)
Pada lapisan pertama terjadi proses operasi perkalian. Proses ini adalah untuk memetakan inputan kedalam lapisan operasi agregasi. Dalam proses perhitungan operasi perkalian untuk mentransformasikan masukan operasi perkalian ke dalam operasi agregasi yang mana nilai bobot yang diambil pada dari interval [0,1]
� = . = (0.6058) . (0.474) = 0.2871 � = . = (0.6568) . (0.516) = 0.3389 � = . = (0.7909) . (0.514) = 0.4065
2. Lapisan 2 (Operasi agregasi)
Pada lapisan kedua terjadi proses agregasi. Proses ini adalah untuk memilih jenis variabel yang mempunyai nilai max untuk dijadikan sebagai data masukan pada lapisan berikutnya.
Z = max = (0.0890; 0.2871; 0.3389; 0.4065) = 0.4065
3. Lapisan 3 (Operasi aktivitas Jaringan)
Pada lapisan ketiga terjadi proses operasi aktivitas dimana pada proses ini untuk mencari nilai s yang akan dijadikan sebagai data masukan pada lapisan fuzzifikasi, dengan nilai bias dapat dipandang sebagai sebuah input yg nilainya selalu 1.
s = f (0.4065– 1 ) = f (-0.5935)= -0.5935
4. Operasi fuzzifikasi
Pada lapisan keempat ini dilakukannya operasi fuzzifikasi, dengan menghitung nilai minimum dari semua rasio yang dijadikan sebagai nilai α dan nilai
maksimum untuk dijadikan sebagai dan nilai tengan dijadikan sebagai .
Berikut merupakan nilai untuk fungsi keanggotaan yang dapat dilihat pada tabel 3.2
Tabel 3.3 Fungsi Keanggotaan Satu Tahun Sebelum Kebangkrutan
Keterangan α
Fungsi
Keanggotaan -0.8917 -0.5073 -0.6946
Setelah fungsi keanggotaan ditentukan langkah selanjutnya . Hal tersebut dikarenakan fungsi keanggotaan yang dipakai menggunakan representasi kurva-S : pertumbuhan dan kurva-S : penyusutan. Proses ini dilakukan untuk menentukan
Berikut merupakan fuzzifikasi menggunakan representasi kurva-S tidak bangkrut
� ; , , = { − / − 2
− − / − 2
Dan berikut kurva-S bangkrut
� ; , , = { − − / −
2
− / − 2
Berdasarkan nilai data masukan = -0.5935 maka dapat dihitung dengan rumus berikut sesuai dengan parameter yang telah ditentukan pada tabel 3.2 untuk menghitung tidak bangkrut.
� = − − / −
keanggotaan dari s dalam himpunan fuzzy “Tidak Bangkrut”) adalah nilai keluaran
terbesar. Berdasarkan system kerja Fuzzy Neural Network, nilai keluaran terbesaryang dipilih menjadi nilai keluaran utama, yaitu nilai . Dengan demikian, BATA dengan nilai s = 0.8994 di prediksikan tidak akan mengalami kebangkrutan untuk satu tahun kedepan.
Contoh Kasus : BATA pada tahun 2012. Pada kasus ini akan dibahas bagaimana fuzzy neural network kwan and cai dapat memprediksi kebangkrutan perusahaan untuk model setahun kebangkrutan, data yang akan digunakan pada kasus ini adalah lapoan keuangan BATA 2012.
Diketahui data masukan dengan sebagai berikut :
Tabel 3.4 Data Masukan Dua Tahun Sebelum Kebangkrutan
Kode Nama Rasio Nilai Rasio
X2 Working Capital to Total Assets 0.1472
X16 Return on asset 0.6058
X15 Retained Earnings to Total Asset 0.6568
X8 Shareholder Equity ratio 0.7909
X5 Total Debt to Total Capital Assets Ratio 0.2295
1. Lapisan 1 (Operasi Perkalian)
Pada lapisan pertama terjadi proses operasi perkalian. Proses ini adalah untuk memetakan inputan kedalam lapisan operasi agregasi. Dalam proses perhitungan operasi perkalian untuk mentransformasikan masukan operasi perkalian ke dalam operasi agregasi yang mana nilai bobot yang diambil pada dari interval [0,1]
2. Lapisan 2 (Operasi agregasi)
Pada lapisan kedua terjadi proses agregasi. Proses ini adalah untuk memilih jenis variabel yang mempunyai nilai max untuk dijadikan sebagai data masukan pada lapisan berikutnya.
Z = max = (0.0890; 0.4065; 0.3389; 0.2871; -0.1134) = 0.4065
3. Lapisan 3 (Operasi aktivitas Jaringan)
Pada lapisan ketiga terjadi proses operasi aktivitas dimana pada proses ini untuk mencari nilai s yang akan dijadikan sebagai data masukan pada lapisan fuzzifikasi, dengan nilai bias dapat dipandang sebagai sebuah input yg nilainya selalu 1.[13]
s = f (0.4065– 1 ) = f (-0.5935)= -0.5935
4. Operasi fuzzifikasi
Pada lapisan keempat ini dilakukannya operasi fuzzifikasi, dengan menghitung nilai minimum dari semua rasio yang dijadikan sebagai nilai α dan nilai
maksimum untuk dijadikan sebagai dan nilai tengan dijadikan sebagai .
Berikut merupakan nilai untuk fungsi keanggotaan yang dapat dilihat pada tabel 3.5
Tabel 3.5 Fungsi Keanggotaan Dua Tahun Sebelum
Keterangan α
Fungsi
keanggotaan -0.9055 -0.5094 -0.6900
Setelah fungsi keanggotaan ditentukan langkah selanjutnya . Hal tersebut dikarenakan fungsi keanggotaan yang dipakai menggunakan representasi kurva-S : pertumbuhan dan kurva-S : penyusutan. Proses ini dilakukan untuk menentukan
output untuk melihat hasil dari prediksi dengan pembentukan himpunan fuzzy menggunakan representasi kurva-S
� ; , , = { − / − 2
− − / − 2
Dan berikut kurva-S bangkrut
� ; , , = { − − / −
2
− / − 2
Berdasarkan nilai data masukan = -0.5935 maka dapat dihitung dengan rumus berikut sesuai dengan parameter yang telah ditentukan pada tabel 3.2 untuk menghitung tidak bangkrut.
� = − − / −
keanggotaan dari s dalam himpunan fuzzy “Tidak Bangkrut”) adalah nilai keluaran
terbesar. Berdasarkan system kerja Fuzzy Neural Network, nilai keluaran terbesar yang dipilih menjadi nilai keluaran utama, yaitu nilai . Dengan demikian, BATA dengan nilai s = 0.9098 diprediksi tidak akan mengalami kebangkrutan untuk dua tahun kedepan.
3.2.1 Analisis Kebutuhan Non Fungsional
Analisis non-fungsional meupakan analisis yang dibutuhkan untuk mennetukan spesifikasi kebutuhan sistem. Spesifikasi ini juga meliputi elemen atau komponen-komponen apa saja yang dibutuhkan untuk sistem yang akan dibangun sampai dengan sistem tersebut diimplementasikan. Analisis kebutuhan ini juga menentukan spesifikasi masukan yang diperlukan dalam sistem, keluaran yang akan dihasilkan simulator dan proses yang dibutuhkan untuk mengolah masukan sehingga menghasilkan suatu keluaran yang diinginkan.
Pada analisis kebutuhan sistem non fungsional ini dijelaskan analisis mengenai perangkat keras (hardware) dan perangkat lunak (software) sebagai bahan analisis kekurangan dan kebutuhan yang harus dipenuhi dalam perancangan sistem yang akan diterapkan.
3.2.1.1 Kebutuhan Perangkat Keras
Perangkat keras adalah bagian dari computer yang menerima instruksi dari perangkat lunak untuk menjalankan intruksi agar dapat menjalankan suatu sistem didalamnya. Adapun perangkat kerans yang digunakan untuk membangun sistem ini adalah sebagai berikut :
a. Processror : Intel Pentium Core 2 @2.2Ghz
3.2.1.2 Kebutuhan Perangkat Lunak
Perangkat lunak adalah bagian dari computer yang memberikan instruksi kepada perangkat keras untuk menjalankan instruksi agar dapat menjalankan suatu sistem didalamnya. Adapun perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut :
a. Sistem Operasi : Windows 8.1 b. Sublime Text 3
c. Jquery d. XAMPP e. Navicat
3.3 Pemodelan Sistem
Pemodelan sistem adalah bagian yang mendeklarasikan fungsi-fungsi yang dapat dilakukan oleh sistem berdasarkan analisis metode yang telah dilakukan sebelumnya dan mendeskripsikan kedalam bentuk diagram diantaranya Entity
Relationship Diagram (ERD), usecase diagram, diagram scenario, activity
diagram, sequence diagram, collaboration diagram, dan class diagram.
3.3.1 Entity Relational Diagram (ERD)
Entity Relationship Diagram (ERD) merupakan salah satu cara untuk
mengolah database sehingga data tersebut dapat diketahui hubungan antara file dan teknik, ini dapat digunakan untuk mengatasi terjadinya redudansi data atau sejenisnya. Untuk lebih jelasnya bentuk Entity Relationship Diagram (ERD)
3.3.2 Use Case Diagram
Use case diagram merupakan suatu aktivitas sistem dalam menanggapi
permintaan pengguna dalam sebuah masalah dimana sistem yang digunakan oleh pengguna (actor). Adapun use case tersebut dapat dilihat pada gambar dibawah ini :
Gambar 3.5 Use Case Diagram
3.3.2.1 Definisi Actor
Actor diperlukan untuk terciptanya use case diagram untuk
mempersentasikan seseorang atau perangkat yang berinteraksi dengan sistem. Berikut adalah actor yang terlibat dalam sistem yang akan dibangun :
Tabel 3.6 Definisi Actor
No Actor Deskripsi
11 User Actor dengan aturan ini mempunyai kewenangan untuk melakukan persiapan data olah seperti data emitem, data laporan keuangan serta rasio, pembuatan model dengan FNN dan prediksi kebangkrutan dengan model yang telah dibuat.
3.3.2.2 Definisi Use Case
Tabel 3.7 Definisi Use Case
No Use Case Deskripsi
1 Mengolah Data Emitem Fungsionalitas Yang Digunakan Oleh User Untuk Mengolah Data Emitem Didalam Sistem
2 Menambah Data Emitem Fungsionalitas Yang Digunakan Oleh User Untuk Menambah Data Emitem Kedalam Sistem
3 Mengubah Data Emitem
Fungsionalitas Yang Digunakan Oleh User Untuk Mengubah Data Emitem Dari Data Emitem Yang Sudah Ada Didalam System
4 Menghapus Data Emitem
Fungsionalitas Yang Digunakan Oleh User Untuk Menghapus Data Emitem Dari Data Emitem Yang Sudah Ada Didalam Sistem
5 Mengolah Data Laporan
Keuangan
Fungsionalitas Yang Digunakan Oleh User Untuk Mengolah Data Emitem Didalam Sistem
6 Menambah Data Laporan
Keuangan
Fungsionalitas Yang Digunakan Oleh User Untuk Menambah Data Laporan Keuangan Kedalam Sistem
7 Menambah Data Rasio Fungsionalitas Yang Digunakan Oleh User Untuk
Menambah Data Rasio Kedalam Sistem
8 Mengubah Data Laporan
Keuangan
Fungsionalitas Yang Digunakan Oleh User Untuk Mengubah Data Laporan Keuangan Dari Data Laporan Keuangan Yang Sudah Ada Didalam System
9 Mengubah Data Rasio
Fungsionalitas Yang Digunakan Oleh User Untuk Mengubah Data Rasio Dari Data Rasio Yang Sudah Ada Didalam Sistem
10 Menghapus Data Laporan Keuangan
Fungsionalitas Yang Digunakan Oleh User Untuk Menghapus Data Laporan Keuangan Dari Data Laporan Keuangan Yang Sudah Ada Didalam Sistem
11 Menghapus Data Rasio
Fungsionalitas Yang Digunakan Oleh User Untuk Menghapus Data Rasio Dari Data Rasio Yang Sudah Ada Didalam Sistem
12 Pembuatan Model
13 Prediksi Kebangkrutan
Fungsionalitas Yang Digunakan Oleh User Untuk Melakukan Prediksi Kebangkrutan Perusahaan Menggunakan Model Yang Sudah Dibuat Dengan Menggunakan Metode Fnn
3.3.3 Skenario Diagram
Bagian ini diisi skenario untuk setiap use case pada rancangan yang menggambarkan urutan interaksi actor dengan sistem :
Tabel 3.8 Menyiapkan Data Emitem
Use Case Name Menyiapkan Data Emitem
Related Requirements -
Goal In Context
User Dapat Mengolah Data Emitem Untuk Digunakan Sebagai Masukan Untuk Proses Pembuatan Model Dan Prediksi Kebangkrutan Dengan Fnn
Preconditions User Mempunyai Data Emitem
Succsessful End
Condition Data Emitem Berhasil Diolah Kedalam Database
Failed End Condition Data Emitem Tidak Berhasil Diolah Kedalam Database
Primary Actors User
Trigger Sistem Menampilkan Data Emitem Yang Sudah Tersimpan Dalam Database
3 Memilih Menu Emitem
4 Menampilkan Form Emitem
5 Mengolah Data Emitem
Yang Ada Dalam Sistem
6 Memproses Hasil Olahan
Data Yang Dilakukan
Extensions Step Branching Action
5.1 Menambah Data Emitem
5.2 Mengubah Data Emitem
5.3 Menghapus Data Emitem
7 Data Tidak Berhasil Disimpan
Tabel 3.9 Menambah Data Emitem
Use Case Name Menambah Data Emitem
Related Requirements Menyiapkan Data Emitem
Goal In Context User Dapat Menambah Data Emitem Yang Akan Digunakan Untuk Proses Pembuatan Model Dan Prediksi Kebangkrutan Dengan Fnn.
Preconditions User Mempunyai Data Emitem
Succsessful End
Condition Data Emitem Berhasil Dimasukan Kedalam Sistem
Failed End Condition Data Emitem Tidak Berhasil Disimpan Kedalam Sistem
Primary Actors User
Trigger Data Emitem Berhasil Disimpan Kedalam Database
Main Flow Step Action
User Sistem
1 Berada Dalam Menu
Manage Data Emitem
2
Menampilkan Data Emitem
Yang Sudah Tersimpan
Dalam Sistem
3 Memasukan Data Emitem
4 Validasi Data
5 Data Disimpan Kedalam
Database
Extensions Step Branching Action
5.1 Jika Belum Lengkap Maka Kembali Ke Proses 5, Data Tidak Disimpan
Tabel 3.10 Menghapus Data Emitem
Related Requirements Menyiapkan Data Emitem
Goal In Context User Dapat Menghapus Data Emitem Yang Sudah Ada Didalam Sistem.
Preconditions Data Emitem Yang Akan Dihapus Sudah Ada Dalam Sistem
Succsessful End
Condition Data Emitem Berhasil Dihapus Dari Sistem
Failed End Condition Data Emitem Tidak Berhasil Dihapus Dari Sistem
Primary Actors User
Trigger Sistem Menampilkan Data Yang Sudah Tersimpan Dalam System
Yang Sudah Tersimpan
3 Memilih Data Emitem
6.1 Data Tidak Berhasil Terhapus
Tabel 3.11 Mengubah Data Emitem
Use Case Name Mengubah Data Emitem
Related Requirements Menyiapkan Data Emitem
Goal In Context User Dapat Mengubah Data Emitem Yang Sudah Ada Didalam Sistem.
Preconditions Data Emitem Yang Akan Diubah Sudah Ada Dalam Sistem
Succsessful End
Failed End Condition Data Emitem Tidak Berhasil Diubah Dari Sistem
Primary Actors User
Trigger Sistem Menampilkan Data Yang Sudah Tersimpan Dalam Database
4 Mengubah Data Yang Dipilih
5 Data Berhasil Diubah
Branching Action
5.1 Data Tidak Berhasil Diubah
Tabel 3.12 Mengolah Data Laporan Keuangan
Use Case Name Mengolah Data Laporan Keuangan
Related Requirements -
Goal In Context
User Dapat Mengolah Data Laporan Keuangan Untuk Digunakan Sebagai Masukan Untuk Proses Pembuatan Model Dan Prediksi Kebangkrutan Dengan Fnn
Preconditions User Mempunyai Data Laporan Keuangan
Succsessful End
Condition Data Laporan Keuangan Berhasil Diolah Kedalam Database
Failed End Condition Data Laporan Keuangan Tidak Berhasil Diolah Kedalam Database
Primary Actors User
Trigger Sistem Menampilkan Data Laporan Keuangan Yang Sudah Tersimpan Dalam Database
Main Flow Step Action
