P R O Y E K A K H I R
Pengelompokan Perusahaan Agriculture di Indonesia Berdasarkan Rasio Profitabilitas Pada Masa Pandemi Menggunakan Data Mining
Classification Of Agriculture Companies In Indonesia Based On Profitability Ratio During The Pandemic Using Clustering Data Mining
PROGRAM STUDI D3 SISTEM INFORMASI AKUNTANSI FAKULTAS ILMU TERAPAN
UNIVERSITAS TELKOM BANDUNG, 2024
Sarah Andela Dwi Safitri
6703210073
UNTUK MAMA DAN PAPA,
Saudara, sahabat dan semua yang telah membantu saya selama proses perkuliahan dan penyusunan Proyek Akhir ini,selalu memberikan doa, dukungan, dan motivasi sehingga membuat saya selalu kuat dan tidak pernah menyerah. Untuk semuanya,saya ucapkan;
BANYAK-BANYAK TERIMAKASIH.
LEMBAR PENGESAHAN PROYEK AKHIR
PENGELOMPOKAN PERUSAHAAN AGRICULTURE DI INDONESIA BERDASRKAN RASIO PROFITABILITAS
PADA MASA PANDEMI MENGGUNAKAN CLUSTERING DATA MINING
Penulis
Sarah Andela Dwi Safitri NIM 6703210073
Pembimbing I
Dr. Tora Fahrudin,S.T., M.T NIP 11850076
Pembimbing II
Dr. Nelsi Wisna, S.E., M.Si NIP 11710039
Ketua Program Studi Asniar, S.S., M.SI.
NIP 14810007
Tanggal Pengesahan: 22 Juli 2024
PERNYATAAN
Dengan ini saya menyatakan bahwa:
1. Proyek Akhir ini adalah asli dan belum pernah diajukan untuk mendapatkan gelar akademik (Ahli Madya, Sarjana, Magister dan Doktor), baik di Fakultas Ilmu Terapan Universitas Telkom maupun di perguruan tinggi lainnya;
2. karya tulis ini murni gagasan, rumusan, dan penelitian saya sendiri, tanpa bantuan pihak lain, kecuali arahan tim pembimbing atau tim promotor atau penguji;
3. dalam karya tulis ini tidak terdapat cuplikan karya atau pendapat yang telah ditulis atau dipublikasikan orang lain, kecuali secara tertulis dengan jelas dicantumkan sebagai acuan dalam naskah dengan menyebutkan nama pengarang dan dicantumkan dalam daftar pustaka;
4. saya mengijinkan karya tulis ini dipublikasikan oleh Fakultas Ilmu Terapan Universitas Telkom, dengan tetap mencantumkan saya sebagai penulis; dan
Pernyataan ini saya buat dengan sesungguhnya dan apabila pada kemudian hari terdapat penyimpangan dan ketidakbenaran dalam pernyataan ini maka saya bersedia menerima sanksi akademik berupa pencabutan gelar yang telah diperoleh karena karya tulis ini, serta sanksi lainnya sesuai norma yang berlaku di Fakultas Ilmu Terapan Universitas Telkom.
Bandung, 22 Juli 2024
Pembuat pernyataan,
Sarah Andela Dwi Safitri
KATA PENGANTAR
Puji dan syukur ke hadirat Allah SWT yang telah memberikan rahmat dan karunia- Nya kepada kita semua, sehingga penulis dapat menyelesaikan proyek akhir ini dengan tepat waktu. Buku ini disusun oleh penulis dengan berbagai rintangan, untuk itu penulis mengucapkan banyak terimakasih kepada seluruh pihak yang telah membantu dalam penyusunan buku proyek akhir ini.
Penyusunan skripsi ini tidak lepas dari bantuan berbagai pihak yang telah memberikan dukungan dan bimbingan kepada penulis. Oleh karena itu, pada kesempatan ini, penulis ingin menyampaikan rasa terima kasih yang sebesar- besarnya kepada:
1. Kepada Allah SWT yang telah memberikan kemudahan dan kelancaran kepada hamba-Nya dalam menghadapi segala rintangan dan cobaan,
2. Kepada kedua orang tua dan keluarga yang selalu mendoakan dan memberi motivasi serta dukungan tiada henti,
3. Kepada dosen pembimbing, Bapak Dr. Tora Fahrudin S.T., M.T. dan Ibu Dr. Nelsi Wisna, S.E., M.Si. yang tidak pernah lelah membimbing saya selama mengerjakan Proyek Akhir sampai dengan penyusunan buku ini selesai,
4. Kepada seluruh pihak yang telah membantu penulis dalam menyusun buku Penulis menyadari bahwa buku ini masih jauh dari kata sempurna.
Penulis menyadari bahwa dalam penyusunan skripsi ini masih terdapat kekurangan dan keterbatasan. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang membangun dari semua pihak demi kesempurnaan skripsi ini.
Bandung, 22 Juli 2024
Penulis
ABSTRAK
Pandemi COVID-19 telah memberikan tantangan serius pada sektor pertanian Indonesia, sehingga berdampak di kinerja keuangan sejumlah perusahaan yang ada pada sektor itu. Dalam konteks ini, pengelompokan usaha pertanian berdasarkan rasio profitabilitas menjadi penting untuk memahami dampak pandemi dan mengidentifikasi pola yang mungkin muncul dalam data perekonomian. Studi ini memanfaatkan metode DBSCAN untuk menganalisa serta mengelompokkan perusahaan pertanian di Indonesia berdasarkan kinerja keuangannya selama pandemi COVID-19. Data yang dipergunakan antara lain rasio profitabilitas pada masa pandemi seperti GPM, ROA, ROE. Teknik pengelompokan dipakai dalam situasi yang tidak pasti ini untuk mengidentifikasi kelompok perusahaan dengan model keuntungan serupa. studi ini bertujuan untuk mengeksplorasi dampak pandemi terhadap perusahaan agriculture di Indonesia, khususnya dalam hal margin keuntungan, serta penggunaan teknik data mining, clustering data untuk mengelompokkan perusahaan-perusahaan tersebut. Hasil dari studi memperlihatkan jika cluster -1 ialah perusahaan dengan nilai GPM, ROA, ROE yang tidak memiliki hasil yang baik. Cluster 0 ialah perusahaan dengan nilai GPM, ROA, ROE standar
Kata Kunci: Covid-19, Density-based Spatial Clustering of Applications with Noise, Profitabilitas, Gross Profit Margin, Return on Assets, Return on Equity.
ABSTRACT
The COVID-19 pandemic has posed significant challenges to the Indonesian agricultural sector, consequently affecting the financial performance of companies within this industry. In that context, grouping agricultural businesses based on profitability ratios is important to understand the impact of the pandemic and identify patterns that may emerge in economic data. DBSCAN method to analyze and group agricultural companies in Indonesia based on their financial performance during the COVID-19 pandemic. The data used includes profitability ratios during the pandemic such as GPM, ROA, ROE. Clustering techniques are used in these uncertain situations to identify groups of companies with similar profit models. This research aims to explore the impact of the pandemic on agricultural companies in Indonesia, especially in terms of profit margins, as well as the use of data mining techniques, data clustering to group these companies. The results of the research show that cluster -1 is an organization that has GPM, ROA, ROE values that do not have good results. Cluster 0 is a company with standard GPM, ROA, ROE values.
Keywords: Covid-19, Density-based Spatial Clustering of Applications with Noise, Profitabilitas, Gross Profit Margin, Return on Assets, Return on Equity.
DAFTAR ISI
KATA PENGANTAR ... i
ABSTRAK ... ii
ABSTRACT ... iii
DAFTAR ISI ... iv
DAFTAR GAMBAR ... vi
DAFTAR TABEL ... vii
DAFTAR LAMPIRAN ... viii
BAB 1 PENDAHULUAN ... 9
1.1 Latar Belakang ... 9
1.2 Rumusan Masalah ... 11
1.3 Tujuan ... 11
1.4 Batasan Masalah ... 12
1.5 Metode Pengerjaan ... 12
1.6 Jadwal Pengerjaan ... 13
BAB 2 KAJIAN PUSTAKA ... 14
2.1 Penelitian Terdahulu ... 14
2.2 Agriculture ... 15
2.3 Rasio Profitabilitas ... 15
2.3.1 Gross Profit Margin ... 15
2.3.2 Return on Asset ... 16
2.3.3 Return on Equity ... 17
2.4 Data Mining ... 17
2.5 Clustering ... 18
2.5.1 Silhouette Index ... 18
2.5.2 Dunn Index ... 19
2.5.3 Calinski-Harabasz ... 19
2.4.1 Davies-Bouldin Index ... 20
2.6 Density-based Spatial Clustering of Applications with Noise ... 20
BAB 3 ANALISIS DAN PERANCANGAN... 21
3.1 Gambaran Sistem Saat Ini ... 21
3.2 Pengumpulan Data ... 22
3.3 Sampel Penelitian ... 22
3.4 Analisis Cluster ... 23
3.5 Analisis Rasio Profitabilitas ... 24
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 28
4.1 Implementasi ... 28
4.2 Pengujian ... 28
4.3 Hail Validasi Silhouette Index ... 28
4.4 Hail Validasi Davies-Bouldin Index ... 29
4.5 Hail Validasi Dunn Index ... 29
4.6 Hail Validasi Calinski-Harbasz Index ... 30
BAB 5 KESIMPULAN ... 36
5.1 Kesimpulan ... 36
5.2 Kesimpulan ... 36
DAFTAR PUSTAKA ... 37
LAMPIRAN... 40
DAFTAR GAMBAR
Gambar 1. 1 Metode Pengerjaan ... 12
Gambar 3. 1 Flowchart DBSCAN ... 21
Gambar 4. 1 Kerangka Framework ... 28
Gambar 4. 2 Hasil Validasi Silhouette Index ... 28
Gambar 4. 3 Hasil Validasi Davies-Bouldin Index ... 29
Gambar 4. 4 Hasil Validasi Dunn Index ... 29
Gambar 4. 5 Hasil Validasi Calinski-Harbasz Index ... 30
Gambar 4. 6 Hasil Clustering DBSCAN ... 30
DAFTAR TABEL
Tabel 1. 1 Jadwal Pengerjaan ... 13
Tabel 2. 1 Penelitian Terdahulu ... 14
Tabel 3. 1 Kriteria Pengambilan Sampel ... 23
Tabel 3. 2 Daftar Perusahaan Agriculture ... 23
Tabel 3. 3 Gross Profit Margin ... 24
Tabel 3. 4 Return on Asset ... 25
Tabel 3. 5 Return on Equity ... 26
Tabel 4. 1 Hasil Clustering ... 31
Tabel 4. 2 Nlai Mean, Max, Min Cluster 0 ... 34
Tabel 4. 3 Nilai Mean, Max, Min Cluster -1 ... 35
DAFTAR LAMPIRAN
Lampiran 1 Bukti Submission ... 40
Lampiran 2 Perhitungan Gross Profit Margin ... 40
Lampiran 3 Perhitungan Return on Asset ... 41
Lampiran 4 Perhitungan Return on Equity ... 41
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Sekelompok virus yang dikenal sebagai coronavirus bisa mengakibatkan penyakit di hewan ataupun manusia, berbagai tipe coronavirus dikenal bisa menyebabkan infeksi pada saluran pernapasan manusia. Infeksi ini bisa berupa gejala ringan seperti batuk serta pilek, hingga infeksi yang lebih serius misalnya MERS serta SARS. Penyakit COVID-19, juga dikenal sebagai coronavirus disease 2019, disebabkan oleh virus SARS-CoV-2. Dimana Virus ini mempunyai rasio mutasi yang besar serta menyebabkan zoonosis pada manusia dan hewan. Mereka bisa menunjukkan berbagai gejala, mulai dari yang tidak ada sama sekali hingga yang berat hingga kematian.
Pandemi COVID-19 menimbulkan sejumlah perubahan pada sektor bisnis. Pandemi mengurangi kinerja banyak bisnis. Salah satu dampak COVID-19 ialah perusahaan agriculture yang bergerak di bidang perkebunan. Pandemi COVID-19 telah memaksa dunia usaha menghadapi perubahan besar di berbagai bidang, termasuk fluktuasi pasokan, permintaan, dan kondisi pasar. Industri kelapa sawit yang secara historis memberikan kontribusi signifikan terhadap ekspor Indonesia pun tak luput dari dampak pandemi ini. Oleh karena itu, penting untuk memahami bagaimana perusahaan agriculture merespons tantangan-tantangan ini, terutama dalam hal profitabilitas. Perusahaan agriculture, khususnya yang bergerak di bidang perkebunan seperti kelapa sawit, dipilih sebagai objek penelitian ini karena sektor ini memiliki peranan penting dalam perekonomian Indonesia. Kelapa sawit adalah salah satu komoditas utama ekspor Indonesia yang memberikan kontribusi signifikan terhadap devisa negara. Selain itu, industri kelapa sawit melibatkan banyak tenaga kerja dan berperan dalam pengembangan daerah-daerah pedesaan.
Banyak faktor yang menjadi permasalahan utama studi ini. Pada tahun 2019-2021, pandemi Covid-19 mengubah susunan perekonomian di seluruh dunia. Salah satu perusahaan yang terdampak yakni PT Astra Agro Lestari Tbk (AALI), perusahaan yang
berjalan di sektor pertanian. Produk pertanian utamanya ialah kelapa sawit. Produk pertanian ini ialah produk tanaman yang mempunyai peranan esensial dalam perkembangan ekonomi[1]. Menurut kenyataan saat ini, tahun 2021 akan pulih dari pandemi Covid 19 lalu permintaan minyak nabati impor akan meningkat, produksi hampir tidak ada perubahan. Untuk mencapai hal ini, analisa rasio diperlukan keuntungan dan clustering dengan mempergunakan metode dan algoritma yang terdapat pada data mining clustering untuk memperoleh informasi terkait kenaikan atau penurunan kapasitas keuangan perusahaan dari 2019-2021.
Analisis laporan keuangan sangat penting untuk mengetahui dan mengevaluasi kesehatan suatu perusahaan. Kemampuan suatu perusahaan tercermin dari kemampuannya dalam melunasi utang-utangnya, baik utang jangka panjang maupun utang jangka panjang, kemampuannya dalam memanfaatkan aset yang dimilikinya secara optimal, dan kemampuannya dalam menghasilkan keuntungan baik dari segi penjualan maupun aset. Dan berbagi modal juga. Laporan keuangan merupakan hasil akhir dari proses akuntansi yang meliputi dua laporan pokok yaitu neraca dan laporan laba rugi [2]. Laporan keuangan juga menjadi acuan untuk meninjau posisi keuangan dan juga dapat digunakan untuk mengetahui kinerja perusahaan. Untuk mengevaluasi kinerja keuangan suatu perusahaan dapat dilakukan pengukuran dengan menggunakan rasio keuangan. Rasio keuangan adalah angka-angka yang diperoleh dari perbandingan antara pos-pos laporan keuangan dengan pos-pos lain yang berkaitan dan mempunyai hubungan yang signifikan [3].
Perbandingan keuntungan dan aset atau modal ialah salah satu dari banyak metode yang bisa dipergunakan untuk melakukan penilaian profitabilitas sebuah perusahaan. Adapun Rasio profitabilitas, ialah rasio yang memberi penilaian kemampuan sebuah perusahaan guna menghasilkan keuntungan dalam jangka waktu tertentu [4]. Clustering, ataupun analisa klaster, termasuk teknik dalam data mining yang bertujuan untuk mengelompokkan sekumpulan objek (data set) ke dalam beberapa kelompok atau cluster berdasarkan kemiripan atribut yang dimiliki oleh objek-objek tersebut [5]. Proses ini menghasilkan kelompok-kelompok di mana objek-objek dalam satu cluster memiliki karakteristik yang serupa satu sama lain, tetapi berbeda dengan karakteristik objek-objek yang berada di cluster lainnya.
Berdasarkan masalah yang telah disebutkan sebelumnya, tujuan dari studi ini ialah untuk menjalankan analisa mendalam, perhitungan terperinci, serta perbandingan terhadap rasio profitabilitas dari 14 perusahaan di sektor pertanian yang tercatat di Bursa Efek Indonesia (BEI) selama periode 2019 hingga 2021. Studi ini difokuskan pada penggunaan tiga rasio utama, yaitu Gross Profit Margin, Return on Assets, dan Return on Equity. Diharapkan hasil dari studi ini mampu memberikan wawasan yang berharga bagi masyarakat tentang kinerja finansial dan profitabilitas perusahaan- perusahaan tersebut selama periode tersebut untuk melihat dampak pandemi terhadap performansi kesehatan keuangan perusahan agriculture di Indonesia.
Selain itu, hasil clustering yang didapatkan dari studi ini juga diharapkan dapat memberikan panduan yang berguna bagi investor. Dengan memahami kelompok- kelompok perusahaan berdasarkan kemiripan kinerja keuangan mereka, investor dapat membuat keputusan yang lebih tepat dan strategis dalam memilih investasi, mengelola portofolio, dan mengantisipasi risiko-risiko yang mungkin muncul di masa depan.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang sudah diuraikan, adapun masalah dalam pembuatan proyek akhir ini sebagai berikut :
Bagaimana penerapan metode clustering DBSCAN dapat membantu dalam mengelompokkan perusahaan-perusahaan pertanian berdasarkan kinerja keuangan perusahaan agriculture selama pandemi COVID-19?
1.3 Tujuan
Berikut ini adalah tujuan yang akan dicapai untuk membuat proyek akhir : Menerapkan metode clustering DBSCAN untuk mengelompokkan perusahaan- perusahaan berdasarkan kinerja keuangan perusahaan agriculture, guna mengidentifikasi pola dan tren yang muncul dalam data profitabilitas selama pandemi.
1.4 Batasan Masalah
Batasan masalah yang terdapat dalam proyek akhir ini adalah sebagai berikut:
1. Data yang digunakan yaitu 14 perusahaan pertanian yang diambil dari Bursa Efek Indonesia tahun 2019,2020 dan 2021,
2. Menganalisis performasi profitabilitas (gross profit margin, return on asset dan return on equity) perusahaan menggunakan data mining,
3. Jumlah cluster terdiri dari 2 cluster.
1.5 Metode Pengerjaan
Penelitian ini mengaplikasikan metode analisa deskriptif serta analisa cluster. Akhir analisa deskriptif ini ialah untuk menjelaskan lebih detail kinerja perusahaan agriculture periode tahun 2019, 2020 dan 2021 ditinjau dari rasio profitabilitas. Studi ini juga mempergunakan analisa multivariat berupa analisa cluster sebagai alat untuk mengklasifikasikan perusahaan agriculture Indonesia berdasarkan profitabilitas.
Rasio profitabilitas yang dipergunakan pada studi ini ialah Gross Profit Margin (GPM), Return on Asset (ROA), Return on Equity (ROE). Analisis data pengelompokkan dalam penelitian ini menggunakan metode Density-based Spatial Clustering of Applications with Noise dengan jumlah cluster yang diinginkan 2 (dua) cluster. Alur pengerjaan dari analisis data dalam penelitian ini adalah sebagai berikut:
Gambar 1. 1 Metode Pengerjaan
Metode pengerjaan dimulai dari 1) mengumpulkan data laporan keuangan tahunan dari perusahaan pertanian, 2) melakukan perhitungan rasio, 3) melakukan pengujian data, 4) melakukan standarisasi data, 5) Data yang telah distandarisasi kemudian dikelompokkan menggunakan metode clustering BSCAN (Density-Based Spatial Clustering of Applications with Noise), 6) asil clustering ini kemudian diuji menggunakan beberapa metrix evaluasi clustering seperti Silhouette Index, Dunn Index, Calinski-Harabasz, dan Davies-Bouldin Index untuk menilai seberapa baik clustering yang telah dilakukan.
1.6 Jadwal Pengerjaan
Tabel 1. 1 Jadwal Pengerjaan
Tahun 2023 2024
Keterangan Okt Nov Des Jan Feb Mar Apr Pengumpulan Data
Perhitungan Rasio Pengujian Data Evaluasi Dokumentasi
BAB 2 KAJIAN PUSTAKA
2.1 Penelitian Terdahulu
Berikut merupakan penelitian terdahulu dari jurnal sebelumnya yang menjadi dasar atau referensi dalam penyusunan buku ini.
Tabel 2. 1 Penelitian Terdahulu
Judul Jurnal Penulis A B C
Pengelompokan Jumlah Kunjungan Mahasiswa ke Perpustakaan Kampus Menggunakan Algoritma DBSCAN [6]
Andri Syafrianto dan Eko Riswanto
Pembangunan Webgis Untuk Penderita Gizi Buruk Di Kota Medan Berdasarkan Hasil Clustering Algoritma BDSCAN [7]
Esra Kristiani Sihite, Yulita Molliq Rangkuti, dan Ichwanul Karo-Karo.
Analisis Rasio Keuangan Untuk Pengukuran Kinerja Perusahaan PT.
Agro Lestari Tbk Tahun 2020 dan 2021 [1]
Fina Rohmatul Ula, Gidion Samuel Manurung, Muhamad Wildan Candra Malo, dan Suparna Wijaya
Pengaruh Profitabilitas dan Solvabilitas Terhadap Harga Saham Sektor Agriculture di BEI Tahun [8]
Muhammad Iftitahu Khoiron dan Toni Seno Aji
Keterangan:
A : Perusahaan Agriculture
B : Analisis Density-based Spatial Clustering of Applications with Noise
C : Rasio Profitabilitas
2.2 Agriculture
Agriculture mengacu pada ilmu atau kegiatan yang berkaitan dengan budidaya tanah dan hewan. Kegiatan yang berhubungan dengan bercocok tanam disebut pertanian, dan kegiatan yang berhubungan dengan ternak disebut peternakan. Agriculture sering diterjemahkan ke dalam bahasa Indonesia sebagai pertanian, oleh karena itu industri agriculture yang dimaksud disini ialah penanaman pohon.
2.3 Rasio Profitabilitas
Rasio Profitabilitas ialah alat pengukuran keuangan yang dipergunakan oleh analis atau investor untuk menilai sejauh mana suatu unit bisnis berhasil dalam menghasilkan keuntungan. Rasio ini bertujuan untuk memahami kemampuan sebuah badan usaha dalam menciptakan laba selama periode waktu tertentu dan mewakili efisiensi manajemen perusahaan dalam menjalankan kegiatan operasional pergerakannya. Efisiensi manajemen di sini berasal dari keuntungan penjualan dan investasi perusahaan[9]. Dalam kasus ini, rasio profitabilitas yang dipakai ialah Gross Profit Margin (GPM), Return on Assets (ROA), dan Return on Equity (ROE).
2.3.1 Gross Profit Margin
Margin laba kotor termasuk kapasitas efisiensi produksi dan kapasitas distribusi. Jika margin laba kotor suatu perusahaan tinggi Dengan demikian, bisa diambil kesimpulan jika perusahaan itu meraih laba kotor yang signifikan dibandingkan dengan penjualannya. Oleh karena itu, semakin tinggi margin laba kotor yang bisa diperoleh, semakin tinggi pula nilai laba kotor perusahaan tersebut. Margin laba kotor termasuk laba kotor yang dihasilkan setiap perusahaan melalui pendapatannya. Semakin tinggi laba kotor, semakin tinggi laba kotor, dan semakin tinggi margin keuntungan, semakin baik [10].
𝐺𝑃𝑀 = 𝐿𝑎𝑏𝑎 𝑘𝑜𝑡𝑜𝑟
𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛× 100% (1)
Dalam industri pertanian atau agriculture, Gross Profit Margin (GPM) dapat bervariasi tergantung pada jenis produk yang dihasilkan dan struktur biaya perusahaan. Biasanya, GPM yang dianggap baik dalam sektor pertanian berkisar antara 30% hingga 50%.
Alasan menggunakan margin laba kotor adalah untuk menilai efisiensi produksi dan pengelolaan biaya perusahaan serta mengidentifikasi keunggulan kompetitifnya dalam industri. Tingginya margin ini menunjukkan potensi pertumbuhan yang baik dan memfasilitasi perbandingan efisiensi operasional antara perusahaan sejenis.
Tujuan analisis margin laba kotor adalah untuk mengevaluasi efisiensi pengelolaan biaya produksi, menentukan strategi harga jual yang optimal, serta mengukur potensi profitabilitas dan daya saing perusahaan di pasar.
2.3.2 Return on Asset
ROA ialah sebuah metrik yang mengukur kemampuan sebuah perusahaan dalam menghasilkan keuntungan dengan memanfaatkan semua aset yang dimilikinya. Ini mengindikasikan efisiensi perusahaan dalam mengelola sumber daya yang tersedia untuk menciptakan profitabilitas. Kesimpulannya ialah ROA memberikan dampak positif dan signifikan terhadap nilai perusahaan. Ini jelas terlihat dari jumlah aset yang dipergunakan untuk menjalankan operasi bisnis yang mampu menghasilkan keuntungan bagi perusahaan [11].
𝑅𝑂𝐴 =𝐿𝑎𝑏𝑎 𝑏𝑒𝑟𝑠𝑖ℎ
𝑇𝑜𝑡𝑎𝑙 𝐴𝑠𝑒𝑡 × 100% (2)
Pada umumnya, return on assets (ROA) yang baik adalah 5% atau lebih, dan di atas 20% sudah sangat baik (Zinn,2021; Birken,2021) [12].
Alasan pentingnya menggunakan ROA adalah karena rasio ini memberikan pemahaman yang mendalam tentang seberapa efektif perusahaan dalam memanfaatkan asetnya untuk menciptakan nilai tambah, serta potensi pengembalian investasi yang dapat dihasilkan dari penggunaan aset-aset tersebut.
Tujuan utama menganalisis ROA adalah untuk mengevaluasi efisiensi penggunaan
aset perusahaan, menilai performa manajerial dalam mengoptimalkan sumber daya, dan untuk memberikan pandangan yang lebih baik tentang kinerja finansial perusahaan dari perspektif investasi dan operasional.
2.3.3 Return on Equity
Return on equity (ROE) termasuk rasio profitabilitas yang mengukur kemampuan perusahaan dalam menghasilkan keuntungan dengan mempergunakan modal yang ada. Pada studi (Zuredah, 2010) terbukti jika return on equity (ROE) mempengaruhi nilai perusahaan; dengan kata lain, semakin banyak hasil yang diperoleh semakin efisien secara keuangan dalam mencapai return on capital yang optimal [11].
𝑅𝑂𝐸 =𝐿𝑎𝑏𝑎 𝑏𝑒𝑟𝑠𝑖ℎ 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑝𝑎𝑗𝑎𝑘 𝐸𝑘𝑢𝑖𝑡𝑎𝑠 𝑝𝑒𝑚𝑒𝑔𝑎𝑛𝑔 𝑠𝑎ℎ𝑎𝑚
(3)
Secara umum, ROE yang tinggi biasanya dianggap baik jika nilainya melebihi rata-rata industri atau sebanding dengan perusahaan-perusahaan sejenis dalam industri yang sama. Sebagai panduan umum, ROE yang secara konsisten lebih dari 15% sering kali dianggap baik.
Tujuan utama dari analisis ROE adalah untuk memahami sejauh mana perusahaan dapat menghasilkan laba bersih yang berkelanjutan dari modal yang tersedia, serta untuk menilai kinerja manajemen dalam menciptakan pengembalian yang menarik bagi pemegang saham. Analisis ini juga membantu investor dan analis dalam membandingkan kinerja perusahaan dengan pesaingnya dalam industri yang sama, yang penting untuk menentukan posisi dan daya saing perusahaan di pasar.
2.4 Data Mining
Data mining ialah proses penemuan pola yang menarik dari volume besar data.
Bidang ini tidak hanya terkait dengan sistem basis data, pergudangan data, statistika, pembelajaran mesin, pengambilan data, dan komputasi tingkat tinggi, tetapi juga mendukung berbagai bidang lain seperti jaringan neural network, pengenalan pola, analisa data spasial, database gambar, dan pengolahan sinyal. Informasi yang dihasilkan dari data mining bisa disimpan dalam berbagai bentuk penyimpanan data
seperti database, gudang data, atau sistem penyimpanan informasi lainnya. Proses ini umumnya dikenal sebagai Knowledge Discovery in Database (KDD), yang termasuk proses mendalam dalam mengumpulkan dan mempergunakan data historis untuk mengidentifikasi pola, keteraturan, atau hubungan yang signifikan dalam dataset yang besar [13].
2.5 Clustering
Clustering ialah proses mengelompokkan data ke dalam sejumlah kelompok berdasarkan kesamaan mereka, di mana setiap kelompok memiliki data yang sangat mirip satu sama lain, sementara perbedaan antara kelompok-kelompok tersebut maksimal. Teknik clustering mengelompokkan data dalam database menurut kriteria tertentu. Pengguna akhir menerima informasi tentang peristiwa yang terjadi di database melalui hasil clustering. Teknik clustering DBSCAN ialah salah satu metode yang bisa dipergunakan [14]. Teknik clustering yang digunakan menggunakan Silhouette Index, Dunn Index, Davies-Bouldin Index, Calinski-Harabasz Index.
2.5.1 Silhouette Index
Metode validasi Silhouette Index termasuk metode validasi berbasis standar internal. Silhouette Index bekerja dengan cara mengukur seberapa baik setiap objek ditempatkan di dalam klusternya dengan membandingkan rata-rata jarak objek tersebut dengan objek lain dalam kluster yang sama serta dengan objek di kluster lainnya. Metrik ini menggambarkan seberapa seragam dan terpisahnya kelompok- kelompok tersebut berdasarkan pada jarak antar-objek yang diukur. Perhitungan koefisien Silhouette Index didefinisikan sebagai:
𝒔(𝑖) = 𝑏(𝑖) − 𝑎(𝑖) max(𝑎(𝑖), 𝑏(𝑖))
(4)
Nilai koefisien siluet yang dihitung berkisar antara -1 hingga 1, dan semakin tinggi nilai koefisien Silhouette maka semakin tinggi pula kualitas kelompok tersebut [15].
2.5.2 Dunn Index
Untuk validasi cluster, indeks Dunn dipergunakan. Indeks Dunn memberikan nilai tertinggi untuk algoritma clustering yang menghasilkan kelompok dengan tingkat kesamaan yang tinggi di dalam kelompoknya sendiri namun memiliki perbedaan yang signifikan antar kelompok. Tujuan dari indeks Dunn ialah untuk menemukan kelompok yang terpisah dengan baik dalam data. Metode ini mengukur perbandingan antara jarak terdekat antar kelompok dengan jarak terjauh di dalam kelompok. Dengan demikian, semakin tinggi nilai indeks Dunn, semakin optimal jumlah kelompok yang dihasilkan dalam clustering [16]. Dunn Index dirumuskan sebagai:
𝐷 = {𝑚𝑖𝑛𝑖+1≤𝑗≤𝑞1≤𝑖≤𝑘 (𝑑(𝑐𝑖,𝑐𝑗)) 𝑚𝑎𝑥1≤𝑙≤𝑞𝑑(𝑐𝑙) }
(5)
dengan :
𝑑(𝐶𝑖 , 𝐶𝑗) : ukuran kedekatan antara cluster 𝑖 dan cluster
𝑗. 𝑑(𝐶𝑙) : ukuran kedekatan antar anggota dalam cluster 𝑙.
2.5.3 Calinski-Harabasz
Calinski-Harabasz Index didasarkan pada asumsi jika cluster-cluster tersebut membentuk sebaran yang baik karena sangat kompak dan berjauhan. Untuk menghitung indeks, varians jumlah kuadrat jarak masing-masing objek dibagi dengan jumlah jarak antara pusat kelompok. Distribusi berkorelasi positif dengan nilai indeks. Sebagai berikut ialah definisi indeks Rumus Calinski-Harabasz :
𝑪𝑯𝒌𝑩𝑺𝑪𝑴
𝑲 − 𝟏 × 𝒏 − 𝒌 𝑾𝑺𝑪𝑴
(6)
Jika k ialah banyaknya cluster yang terbentuk dari himpunan n pengamatan, maka BCSM (matriks hamburan antar klaster) menentukan pemisahan antar kelompok, dan WCSM (matriks hamburan dalam klaster) menentukan kohesi dalam klister [17].
2.4.1 Davies-Bouldin Index
Metode Davies-Bouldin Index biasanya berfokus pada partisi cluster dan kekompakan. Hal ini disebabkan rumus ukuran maksimum di bawah ini, yang secara berulang memilih nilai yang pusatnya paling jauh dari pusat dan yang pusatnya paling dekat satu sama lain. Berbeda dengan indeks Silhouette dan Calinski-Harabasz, penurunan indeks DB berarti peningkatan akumulasi. Davies-Bouldin Index didefinisikan sebagai berikut
𝐷𝐵 =1
𝑘∑ 𝑚𝑎𝑥𝑗≠1( 𝜎𝑖 + 𝜎𝑗 𝑑(𝑐𝑖+ 𝑐𝑗))
𝑘
𝑖=1
(7)
dimana k ialah jumlah cluster, sedangkan σi ialah jarak rata-rata semua titik di ke-I cluster dari pusat cluster ci, serta d(ci, cj) ialah jarak antara ke-i dan ke-j pusat cluster [17].
2.6 Density-based Spatial Clustering of Applications with Noise
DBSCAN termasuk contoh pionir pengembangan teknik pengorganisasian berbasis kepadatan atau pengelompokan berbasis kepadatan. Pengelompokan spasial terapan berbasis kepadatan dengan kebisingan (DBSCAN) ialah metode pengelompokan yang menciptakan wilayah berbasis kepadatan yang terhubung.
Setiap objek dalam radius (cluster) harus berisi setidaknya jumlah data minimum [18]. Algoritma DBSCAN memiliki beberapa komponen dan istilah :
1. EPS : ialah jumlah titik dalam radius tertentu 2. Noise Point : titik kepadatan terluar atau (Eps)
3. Border Pts : titik tepi memiliki lebih sedikit Mint di Eps tetapi masih berada di lingkungan titik pusat.
4. Min Pts : Nearest Neighbor Number yang dipergunakan untuk mendefinisikan lingkungan lokal suatu objek.
5. Core Point : Point ataupun titik-titik yang terletak di dalam cluster.
BAB 3 ANALISIS DAN PERANCANGAN
3.1 Gambaran Sistem Saat Ini
Berikut adalah alur dari algoritma Density-based Spatial Clustering of Applications with Noise yang digambarkan dalam bentuk flowchart.
Gambar 3. 1 Flowchart DBSCAN
Flowchart di atas menggambarkan proses algoritma clustering. Proses dimulai dengan menetapkan himpunan D yang terdiri dari titik akhir setiap segmen data.
Kemudian, algoritma mendeteksi semua titik inti di himpunan D yang memiliki setidaknya MinPts titik dalam radius eps. Titik-titik inti ini kemudian digabungkan menjadi satu cluster. Selanjutnya, titik-titik yang bukan titik inti tetapi berada dalam radius eps dari titik inti digabungkan ke dalam cluster sebagai titik tepi. Proses ini berlanjut sampai semua titik dalam himpunan D telah diproses dan dikelompokkan ke dalam cluster yang sesuai, sehingga proses clustering selesai.
3.2 Pengumpulan Data
Pengumpulan data ialah pengambilan, pencatatan, dan pengumpulan segala sesuatu yang dijalankan secara objektif di lapangan berdasarkan hasil observasi dan wawancara, yaitu pencatatan data di lapangan dan dalam berbagai bentuk. "metode pengumpulan data" berarti suatu metode atau pendekatan yang bisa dipergunakan peneliti untuk mengumpulkan data.
3.3 Sampel Penelitian
Sampel secara sederhana diartikan sebagai bagian dari populasi yang menjadi sumber data yang sebenarnya dalam suatu penelitian. Dengan kata lain, sampel adalah sebagian dari populasi untuk mewakili seluruh populasi.
Adapun teknik pengambilan sampel secara umum dapat dikelompokkan menjadi dua teknik, probability sampling dan nonprobability sampling. Probability sampling adalah teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel. Teknik ini merupakan teknik yang memungkinkan peneliti atau evaluator untuk membuat generalisasi dari karakteristik sampel menjadi karakteristik populasi. Nonprobability sampling adalah teknik pengambilan sampel yang tidak memberi peluang atau kesempatan sama bagi setiap unsur atau anggota populasi yang dipilih menjadi sampel. Teknik pengambilan sampel ini diantaranya sampling incidental, sampling bertujuan, sampling bola salju (snowball sampling), dan sampling kuota. Non probability sampling ini tidak bisa digunakan untuk membuat generalisasi. Pemilihan sampel dalam penelitian ini ditentukan dengan menggunakan kriteria sebagai berikut:
1. Perusahaan agriculture yang terdaftar di Bursa Efek Indonesia selama tahun 2019 hingga 2021.
2. Perusahaan yang secara konsisten menerbitkan laporan tahunan pada website resmi Bursa Efek Indonesia selama tahun 2019 sampai tahun 2021.
Tabel 3. 1 Kriteria Pengambilan Sampel
No Kriteria Pengambilan Sampel Jumlah
1 Perusahaan agriculture yang secara konsisten terdaftar di Bursa Efek Indonesia selama tahun 2019 hingga 2021
24
2 Perusahaan agriculture yang tidak konsisten menerbitkan laporan keuangan di Bursa Efek Indonesia selama tahun 2019 hingga 2021
(10)
3 Total perusahaan yang menjadi sampel penelitian 14
Tabel 3. 2 Daftar Perusahaan Agriculture
No Kode Perusahan Nama Perusahaan
1 AALI PT Astra Agro Lestari Tbk 2 ANJT PT Austindo Nusantara Jaya Tbk 3 BISI PT BISI International Tbk
4 BTEK PT Bumi Teknokultura Unggul Tbk 5 BWPT PT Eagle High Plantations Tbk 6 DSNG PT Dharma Satya Nusantara Tbk
7 FAPA PT FAP Agri Tbk
8 GZCO PT Gozco Plantations Tbk
9 LSIP PT PP London Sumatra Indonesia Tbk
10 MGRO PT Mahkota Group Tbk
11 PGUN PT Pradiksi Gunatama Tbk
12 PSGO PT Palma Serasih Tbk
13 SGRO PT Sampoerna Agro Tbk
14 SSMS PT Sawit Sumbermas Sarana Tbk
3.4 Analisis Cluster
Analisa cluster ialah suatu teknik statistik pada studi yang memungkinkan peneliti mengelompokkan atau mengelompokkan objek dalam jumlah besar menjadi cluster-cluster yang lebih kecil namun berbeda yang mempunyai karakteristik
berbeda dengan cluster lainnya. Teknik analisa cluster mempergunakan score silhouette untuk mengatur kumpulan data yang diberikan ke subset [19].
3.5 Analisis Rasio Profitabilitas
Dalam analisa kebutuhan sistem mempergunakan 16 data perusahaan sub kontraktor yang bisa dijalankan mempergunakan parameter sebagai berikut :
1. Jumlah data perusahaan : 14 perusahaan 2. Jumlah atribut : 3 ( 2019-2021)
Tabel 3.3 di bawah ini menunjukkan perhitungan margin laba kotor. Margin laba kotor merupakan metrik penting untuk mengevaluasi efisiensi perusahaan dalam menghasilkan keuntungan dari penjualan dikurangi biaya produksi. Perhitungan ini menunjukkan seberapa baik suatu perusahaan mengelola biaya produksinya untuk mencapai laba kotor yang maksimal.
Tabel 3. 3 Gross Profit Margin
Nama Perusahaan 2019 2020 2021
PT Astra Agro Lestari Tbk - AALI 0,12 0,16 0,20
PT Austindo Nusantara Jaya Tbk – ANJT 0,18 0,24 0,38
PT BISI International Tbk - BISI 0,35 0,38 0,40
PT Bumi Teknokultura Unggul Tbk - BTEK 0,03 -0,35 -0,08
PT Eagle High Plantations Tbk - BWPT 0,00 0,03 0,21
PT Dharma Satya Nusantara Tbk - DSNG 0,25 0,26 0,28
PT FAP Agri Tbk – FAPA 0,03 0,15 0,28
PT Gozco Plantations Tbk - GZCO -0,62 -0,34 0,10
PT PP Landon Sumatera Indonesia Tbk - LSIP 0,15 0,30 4,00
PT Mahkota Group Tbk - MGRO 0,10 0,04 0,01
Nama Perusahaan 2019 2020 2021
PT Pradiksi Gunatama Tbk - PGUN - - 0,18
PT Palma Serasih Tbk - PSGO 0,02 0,32 0,25
PT sampoerna Agro Tbk - SGRO 0,21 0,25 0,32
PT Sawit Sumbermas Tbk - SSMS 0,31 0,45 0,42
Tabel 3.4 di bawah ini menunjukkan hasil perhitungan return on assets (ROA) yang merupakan salah satu indikator penting dalam menilai kinerja keuangan suatu perusahaan. ROA mengukur seberapa efisien manajemen perusahaan menggunakan asetnya untuk menghasilkan keuntungan.
Tabel 3. 4 Return on Asset
Nama Perusahaan 2019 2020 2021
PT Astra Agro Lestari Tbk - AALI 0,01 0,03 0,06
PT Austindo Nusantara Jaya Tbk – ANJT -0,01 0,00 0.061
PT BISI International Tbk - BISI 0,10 0,09 0,12
PT Bumi Teknokultura Unggul Tbk - BTEK -0,02 -0,12 -0,03
PT Eagle High Plantations Tbk - BWPT -0,07 -0,07 -0,12
PT Dharma Satya Nusantara Tbk - DSNG 0,02 0,03 0,05
PT FAP Agri Tbk – FAPA -0,03 -0,02 0,05
PT Gozco Plantations Tbk - GZCO -0,30 -0,08 0,01
PT PP Landon Sumatera Indonesia Tbk -
LSIP 0,02 0,64 0,08
Nama Perusahaan 2019 2020 2021
PT Mahkota Group Tbk - MGRO 0,01 -0,04 0,04
PT Pradiksi Gunatama Tbk - PGUN - - 0,01
PT Palma Serasih Tbk - PSGO -0,05 0,01 0,06
PT sampoerna Agro Tbk - SGRO 0,00 -0,02 0,08
PT Sawit Sumbermas Tbk - SSMS 0,00 0,05 0,11
Tabel 3.5 di bawah ini menyajikan hasil perhitungan Return on Equity (ROE), yang merupakan salah satu indikator utama untuk mengevaluasi profitabilitas suatu perusahaan dalam menghasilkan laba dari ekuitas pemegang saham.
Tabel 3. 5 Return on Equity
Nama Perusahaan 2019 2020 2021
PT Astra Agro Lestari Tbk - AALI 0,01 0,04 0,10
PT Austindo Nusantara Jaya Tbk – ANJT -0,01 0,01 0,09
PT BISI International Tbk - BISI 0,13 0,11 0,10
PT Bumi Teknokultura Unggul Tbk - BTEK -0,04 -0,65 1,37
PT Eagle High Plantations Tbk - BWPT -0,25 -0,31 -0,69
PT Dharma Satya Nusantara Tbk - DSNG 0,07 0,05 0,11
PT FAP Agri Tbk – FAPA -0,07 -0,05 0,13
PT Gozco Plantations Tbk - GZCO -0,77 -0,19 0,01
PT PP Landon Sumatera Indonesia Tbk - LSIP 0,03 0,07 0,10
PT Mahkota Group Tbk - MGRO 0,00 -0,02 0,01
Nama Perusahaan 2019 2020 2021
PT Pradiksi Gunatama Tbk - PGUN - 0,00 0,03
PT Palma Serasih Tbk - PSGO -0,14 0,02 0,15
PT sampoerna Agro Tbk - SGRO 0,01 -0,06 0,18
PT Sawit Sumbermas Tbk - SSMS 0,00 0,12 0,25
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
Data yang dihasilkan dari 14 perusahaan agriculture yang diambil mempergunakan Bursa Efek Indonesia, dijalankan langkah lanjutan pada tahapan evaluasi memanfaatkan google collab yang diimplementasikan mempergunakan bahasa phyton.
4.2 Pengujian
Gambar 4. 1 Kerangka Framework
Dari gambar 4.1 menjelaskan tahapan proses analisis clustering perusahaan menggunakan algoritma DBSCAN. Dimulai dengan memasukkan dataset perusahaan ke dalam sistem, kemudian dilakukan clustering menggunakan DBSCAN yang dapat mengenali cluster dan outliers. Hasil clustering tersebut diuji menggunakan beberapa indeks evaluasi seperti Silhouette Index, Dunn Index, Davies-Bouldin Index, dan Calinski-Harabasz untuk menilai kualitas clustering. Akhirnya, hasil pengujian dianalisis untuk menentukan kualitas dan validitas clustering serta nilai parameter epsilon terbaik.
4.3 Hail Validasi Silhouette Index
Gambar 4. 2 Hasil Validasi Silhouette Index
Dari model Density-based Spatial Clustering of Application with Noise seperti gambar 2, kemudian dijalankan pengujian untuk mendapatkan nilai epsilon yang optimal dengan parameter metode sillouhete index. Pengertian dari metode sillouhete adalah semakin tinggi nilai koefisien Silhouette maka semakin tinggi pula kualitas kelompok tersebut. Berdasarkan pada gambar dibawah ini menunjukan nilai epsilon = 1.2, dengan sudut tertinggi yang terbentuk dan setelah itu nilai nya stabil.
4.4 Hail Validasi Davies-Bouldin Index
Gambar 4. 3 Hasil Validasi Davies-Bouldin Index
Dari model Density-based Spatial Clustering of Application with Noise seperti gambar 3, kemudian dijalankan pengujian untuk mendapatkan nilai epsilon yang optimal dengan parameter metode Davies-Bouldin Index dimana pada gambar di bawah ini menunjukan nilai epsilon = 1.2. Dengan demikian, semakin kecil nilai epsilon maka nilai itu semakin baik.
4.5 Hail Validasi Dunn Index
Gambar 4. 4 Hasil Validasi Dunn Index
Dari model Density-based Spatial Clustering of Application with Noise seperti gambar 4, kemudian dijalankan pengujian untuk mendapatkan nilai epsilon yang optimal dengan parameter metode Dunn Index dimana pada gambar di bawah ini
menunjukan nilai epsilon = 1.2. Dengan demikian, semakin tinggi nilai Dunn Index, semakin optimal jumlah kelompok yang dihasilkan dalam clustering.
4.6 Hail Validasi Calinski-Harbasz Index
Gambar 4. 5 Hasil Validasi Calinski-Harbasz Index
Dari model Density-based Spatial Clustering of Application with Noise seperti gambar 5, kemudian dijalankan pengujian untuk mendapatkan nilai epsilon yang optimal dengan parameter metode Calinski-Harabasz Index dimana pada gambar di bawah ini menunjukan nilai epsilon = 1.2. Dengan demikian, nilai yang lebih tinggi adalah pemisah yang baik.
Gambar 4. 6 Hasil Clustering DBSCAN
Mengikuti hasil metode yang terdapat pada gambar 2, 3, 4, dan 5 perbandingan rasio dijalankan pada GPM, ROA, ROE. Nilai cluster ditampilkan dengan warna, scatterplot memberikan gambaran titik nilai cluster data sehingga pengelompokannya bisa ditunjukkan dengan warna, warna ungu menunjukan bagian dari cluster -1 persebarannya antar titik 0.0 sesuai dengan grafik yang terlihat, warna kuning menunjukan bagian dari cluster 0 persebaran nya antara titik 0.6-1.0. hasil dari pengolahan data yang termasuk cluster -1 dan 0 berada pada 4.1.
Tabel 4. 1 Hasil Clustering
Perusahaan GPM ROA ROA Cluster
AALI2019 0,12 00.01 00.01 0
AALI2020 00.16 00.03 00.04 0
AALI2021 00.02 00.06 00.01 0
ANJT2019 0,18 -0.01 -0.01 0
ANJT2020 00.24 00.00 00.01 0
ANJT2021 00.38 0.061 00.09 0
BISI2019 0,35 00.01 00.13 0
BISI2020 00.38 00.09 00.11 0
BISI2021 00.04 00.12 00.01 0
BTEK2019 0,03 -0.02 -0.04 0
BTEK2020 -0.35 -0.12 -0.65 0
BTEK2021 -0.08 -0.03 01.37 0
BWPT2019 0 -0.07 -0.25 0
BWPT2020 00.03 -0.07 -0.31 0
BWPT2021 00.21 -0.12 -0.69 0
DSNG2019 0,25 00.02 00.07 0
DSNG2020 00.26 00.03 00.05 0
DSNG2021 00.28 00.05 00.11 0
FAPA2019 0,03 -0.03 -0.07 0
Perusahaan GPM ROA ROA Cluster
FAPA2020 00.15 -0.02 -0.05 0
FAPA2021 00.28 00.05 00.13 0
GZCO2019 -0,62 -0.3 -0.77 -1
GZCO2020 -0.34 -0.08 -0.19 -1
GZCO2021 00.01 00.01 00.01 -1
LSIP2019 0,15 00.02 00.03 0
LSIP2020 00.03 0,0444 00.07 0
LSIP2021 04.00 00.08 00.01 0
MGRO2019 0,1 00.01 00.00 0
MGRO2020 00.04 -0.04 -0.02 0
MGRO2021 00.01 00.04 00.01 0
PGUN2019 - 00.00 00.00 0
PGUN2020 00.00 00.00 00.00 0
PGUN2021 00.18 00.01 00.03 0
PSGO2019 0,02 -0.05 -0.14 0
PSGO2020 00.32 00.01 00.02 0
PSGO2021 00.25 00.06 00.15 0
SGRO 2019 0,21 00.00 00.01 0
SGRO 2020 00.25 -0.02 -0.06 0
SGRO2021 00.32 00.08 00.18 0
Perusahaan GPM ROA ROA Cluster
SSMS2019 0,31 00.00 00.00 0
SSMS2020 00.45 00.05 00.12 0
SSMS2021 00.42 00.11 00.25 0
Pada tabel 4.2 memberikan hasil nilai rerata pada Gross Profit Margin 2019 pada cluster 0 menghasilkan data senilai 0.146, dengan mengungkapkan jika proporsi ini ialah 0.146 Persentase dari total penjualan, atau setiap penjualan senilai 0.146 persen laba kotor. Mean pada Gross Profit Margin 2020 pada cluster 0 menghasilkan data senilai 0,186, dengan mengungkapkan jika proporsi ini ialah 0,186 persen dari jumlah penjualan, sehingga laba kotor setiap penjualan ialah 0,186 persen. Mean pada Gross Profit Margin 2021 pada cluster 0 menghasilkan data senilai 0.527, dengan mengungkapkan jika proporsi ini ialah 0.527 persen jumlah penjualan artinya setiap penjualan senilai 0.527 persen laba kotor. Dari nilai mean Gross Profit Margin 2019, 2020, 2021 per tahunnya mengalami kenaikan laba kotor.
Pada tabel 4.2 memberikan hasil rata rata pada Return on Asset 2019 paada cluster 0 menghasilkan data senilai -0.00079, dengan mengungkapkan jika proporsi ini ialah -0.00079 persen perusahaan mempergunakan asetnya untuk menghasilkan laba.
Mean Return on Asset 2020 pada cluster 0 menghasilkan data sebanyak 0.04895, dengan mengungkapkan jika proporsi ini ialah 0.04895 persen perusahaan mempergunakan asetnya untuk menghasilkan laba. Mean Return on Asset pada tahun 2021 pada cluster 0 menghasilkan data senilai 0.04576, dengan penjelasan jika 0.04576 persen persen perusahaan mempergunakan asetnya untuk menghasilkan laba. Dari nilai mean Return on Asset 2019, 2020, 2021 per tahunnya mengalami kenaikan dan turun laba kotor tetapi turun nya tidak terlalu jauh.
Pada tabel 4.2 memberikan hasil rata rata Return on equity 2019 pada cluster 0 menghasilkan data senilai -0.019, dengan mengungkapkan jika proporsi ini ialah - 0.019 persen jualan artinya setiap penjualan senilai -0.019 persen laba bersih. Mean
pada Return on Equity 2020 pada cluster 0 menghasilkan data senilai -0.051 dengan menjelaskan jika rasio ini ialah -0.051 persen total penjualan, artinya setiap penjualan senilai -0.051 persen laba bersih. Mean dari Return on Equity 2021 pada cluster 0 menghasilkan data senilai 0.148, dengan dengan mengungkapkan jika proporsi ini ialah 0.148 persen jumlah penjualan artinya setiap penjualan senilai 0.148 persen laba bersih. Dari nilai mean Return on Equity 2019, 202, 2021 tiap tahun nya mengalami kenaikan laba bersih.
Tabel 4. 2 Nlai Mean, Max, Min Cluster 0
Mean Max Min
GPM2019 0,146177 0,348906 0,003916
GPM2020 0,186015 0,448058 -0,34733
GPM2021 0,527495 3,996645 -0,07895
ROA2019 -0,00079 0,104324 -0,072
ROA2020 0,04895 0,63721 -0,12063
ROA2021 0,04576 0,121578 -0,11652
ROE2019 -0,01968 0,132472 -0,25047
ROE2020 -0,05117 0,118954 -0,65034
ROE2021 0,148039 1,372073 -0,69249
Pada tabel 4.3 cluster -1 hanya ada di perusahaan PT Gozco Plantations Tbk – GZCO.
Dari hasil rata rata Gross Profit Margin 2019, 2020, 2021 setiap tahun nya perusahaan mengalami kenaikan laba kotor nya. Hasil mean Return on Asset 2019, 2020, 2021 setiap tahun nya perusahaan mengalami kenaikan mempergunakan aset untuk menghasilkan laba. Dan hasil mean Return on Asset 2019, 2020, 2021 setiap tahun nya perusahaan mengalami kenaikan untuk laba bersih.
Tabel 4. 3 Nilai Mean, Max, Min Cluster -1
Mean Max Min
GPM2019 -0,62009 -0,62009 -0,62009
GPM2020 -0,34123 -0,34123 -0,34123
GPM2021 0,095542 0,095542 0,095542
ROA2019 -0,29749 -0,29749 -0,29749
ROA2020 -0,08473 -0,08473 -0,08473
ROA2021 0,006659 0,006659 0,006659
ROE2019 -0,76537 -0,76537 -0,76537
ROE2020 -0,18504 -0,18504 -0,18504
ROE2021 0,013146 0,013146 0,013146
BAB 5 KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil analisis rasio profitabilitas yang mencakup Gross Profit Margin (GPM), Return on Assets (ROA), dan Return on Equity (ROE), serta penerapan metode Density-based Spatial Clustering of Applications with Noise (DBSCAN) melalui bahasa pemrograman Python, dapat disimpulkan bahwa perusahaan yang termasuk dalam cluster 0 menunjukkan tren positif dengan peningkatan nilai GPM, ROA, dan ROE setiap tahunnya. Di sisi lain, perusahaan yang tergolong dalam cluster -1 menunjukkan performa yang kurang baik dengan nilai GPM, ROA, dan ROE yang rendah. Perusahaan yang masuk dalam cluster 0 meliputi AALI, ANJT, BISI, BTEK, BWPT, DSNG, FAPA, LSIP, MGRO, PGUN, PSGO, SGRO, dan SSMS, sedangkan perusahaan dalam cluster -1 hanya mencakup GZCO. Validasi cluster menggunakan Silhouette Index, Dunn Index, Davies-Bouldin Index, dan Calinski-Harabasz menunjukkan bahwa parameter epsilon terbaik untuk analisis ini adalah 1.2.
5.2 Kesimpulan
Berdasarkan hasil analisis, disarankan agar performa perusahaan dievaluasi kembali di luar periode pandemi untuk memberikan gambaran yang lebih akurat mengenai kinerja dan stabilitas jangka panjangnya. Evaluasi ini penting untuk meningkatkan kepercayaan investor dengan memastikan bahwa hasil yang diperoleh tidak terpengaruh secara signifikan oleh kondisi luar biasa yang mungkin mempengaruhi performa perusahaan selama masa pandemi. Dengan demikian, perusahaan dapat memberikan informasi yang lebih transparan dan dapat diandalkan kepada para investor, serta memperkuat posisi mereka dalam pasar.
DAFTAR PUSTAKA
[1] F. Ula, G. Manurung, M. W. Malo, and S. Wijaya, “Analisis Rasio Keuangan Untuk Pengukuran Kinerja Perushaan PT ASTRA AGRO LESTARI TBK Tahun 2020 dan 2021,” Akuntansiku, vol. 1, no. 2, 2022.
[2] M. Nur and E. Komariah, “Analisis Laporan Keuangan Dalam Menilai Kinerja Keuangan Industri Semen Yang Terdaftar Di BEI (Studi Kasus PT Indocement Tunggal Prakarsa TBK),” vol. 1, no. 1, pp. 43–58, 2016.
[3] R. Yolanda Panjaitan, “ANALISIS RASIO KEUANGAN UNTUK MENILAI KINERJA KEUANGAN: STUDI KASUS PADA SEBUAH PERUSAHAAN JASA TRANSPORTASI,” 2020. [Online]. Available: http://ejournal.lmiimedan.net
[4] E. Saerang, J. V Mangindaan, A. Yolly, P. Program, S. A. Bisnis, and J. I.
Administrasi, “ANALISIS PERBANDINGAN KINERJA PROFITABILITAS PT.
GARUDA INDONESIA Tbk SEBELUM DAN SAAT PANDEMI COVID-19,” 2023.
[5] I. Dewi and dan Memi Nor Hayati, “Pengelompokan Data Kategorik Dengan Algoritma Robust Clustering Using Links (Studi Kasus: PT. Prudential Life Jalan MT. Haryono Samarinda) Categorical Scale Data Grouping With Robust Clustering Using Links Algorithm (Case Study: PT. Prudential Life Road MT.
Haryono Samarinda),” Jurnal EKSPONENSIAL, vol. 11, no. 2, 2020.
[6] A. Syafrianto and E. Riswanto, “Pengelompokkan Jumlah Kunjungan Mahasiswa ke Perpustakaan Kampus Menggunakan Algoritma DBSCAN,” G- Tech: Jurnal Teknologi Terapan, vol. 7, no. 1, pp. 75–81, Jan. 2023, doi:
10.33379/gtech.v7i1.1925.
[7] E. K. Sihite, Y. M. Rangkuti, and I. Karo-Karo, “Volume 23 ; Nomor 1,” Februari,
2024, [Online]. Available:
https://ojs.trigunadharma.ac.id/index.php/jis/index
[8] M. Iftitahu Khoiron and T. Seno Aji, “Pengaruh Profitabilitas dan Solvabilitas Terhadap Harga Saham Sektor Agriculture di BEI Tahun,” 2022. [Online].
Available: www.idx.co.id,
[9] J. M. Bisnis, “Rasio Profitabilitas dan Penilaian Kinerja Keuangan UMKM Laily Nurjanah (1) Tia Masherly Berlianna (2) Risxa Ayu Anggreani (3) Siti Mudzalifah (4) Tatanka Rizky Adinugroho (5) Hendra Dwi Prasetyo (6) STIE Mahardhika Surabaya (1) (2) (3) (4) (5) (6),” vol. 18, no. 4, 2021, [Online].
Available: http://journal.undiknas.ac.id/index.php/magister- manajemen/591
[10] F. Firda Inayah, “Analisis Perbandingan Net Profit Margin dan Gross Profit Margin Pada Perusahaan Telekomunikasi Di Indonesia,” JBMI (Jurnal Bisnis, Manajemen, dan Informatika), vol. 18, no. 1, pp. 57–69, Jun. 2021, doi:
10.26487/jbmi.v18i1.13722.
[11] E. Shenurti, D. Erawati, and S. Nur Kholifah, “Analisis Return on Asset (ROA) , Return on Equity (ROE) dan Corporate Social Responsibility (CSR) yang mempengaruhi Nilai Perusahaan pada Perusahaan Manufaktur,” Jurnal Akuntansi dan Manajemen, vol. 19, no. 01, pp. 01–10, Jun. 2022, doi:
10.36406/jam.v19i01.539.
[12] R. Yuniarti, M. Ilham Wardhana Haeruddin, R. Sahabuddin, Z. Ruma, U. Negeri Makassar, and S. Selatan, “Analisis Tingkat Likuiditas dan Profitabilitas pada PT Indofood Sukses Makmur Tbk di Bursa Efek Indonesia,” 2023. [Online].
Available: www.idx.co.id
[13] W. Lestari, “IMPLEMENTASI DATA MINING UNTUK KARTU INDONESIA SEHAT BAGI MASYARAKAT KURANG MAMPU MENGGUNAKAN METODE CLUSTERING PADA DINAS SOSIAL KOTA PALEMBANG,” 2020.
[14] E. Puspita Sari, L. Widya Astuti, I. Saluza, R. Yunita, and D. Redaksi,
“INFORMATIKA DAN TEKNOLOGI (INTECH) Penentuan Tingkat Kekumuhan Permukiman Kumuh Kota Palembang Dengan Metode Algoritma K-Means Clustering Dan Algoritma ID3 INFORMASI ARTIKEL ABSTRACT,” JURNAL INTECH, vol. 2, no. 1, pp. 31–39.
[15] M. Nahdliyah, T. Widiharih, and A. Prahutama, “METODE k-MEDOIDS CLUSTERING DENGAN VALIDASI SILHOUETTE INDEX DAN C-INDEX (Studi Kasus Jumlah Kriminalitas Kabupaten-Kota di Jawa Tengah Tahun 2018),”
JURNAL GAUSSIAN, vol. 8, no. 2, 2019.
[16] H. Malikhatin et al., “PENERAPAN k-MODES CLUSTERING DENGAN VALIDASI DUNN INDEX PADA PENGELOMPOKAN KARAKTERISTIK CALON TKI MENGGUNAKAN R-GUI,” vol. 10, no. 3, pp. 359–366, 2021, [Online].
Available: https://ejournal3.undip.ac.id/index.php/gaussian/
[17] A. Rachwał et al., “Determining the Quality of a Dataset in Clustering Terms,”
Applied Sciences (Switzerland), vol. 13, no. 5, Mar. 2023, doi:
10.3390/app13052942.
[18] T. D. Harjanto, A. Vatresia, and R. Faurina, “ANALISIS PENETAPAN SKALA PRIORITAS PENANGANAN BALITA STUNTING MENGGUNAKAN METODE DBSCAN CLUSTERING,” 2021. [Online]. Available:
http://ejournal.unib.ac.id/index.php/rekursif/30
[19] E. Dona, “Industri Property, Real Estate and Building Construction Pengklasteran Berdasarkan Rasio profitabilitas dan Rasio Keuangan,” jurnal ekonomi, vol. 24, no. 2, pp. 88–98, Feb. 2022, doi: 10.47896/je.v24i2.490.
LAMPIRAN
.Lampiran 1 Bukti Submission
Berikut merupakan lampiran bukti submission jurnal.
Lampiran 1 Bukti Submission
Lampiran 2 Perhitungan Gross Profit Margin
Berikut adalah lampiran perhitungan gross profit margin dan yang diberikan warna merah merupakan perusahaan yang tidak menerbitkan laporan tahunan.
Lampiran 2 Perhitungan Gross Profit Margin
Lampiran 3 Perhitungan Return on Asset
Berikut adalah lampiran perhitungan return on asset dan yang diberikan warna merah merupakan perusahaan yang tidak menerbitkan laporan tahunan.
Lampiran 3 Perhitungan Return on Asset
Lampiran 4 Perhitungan Return on Equity
Berikut adalah lampiran perhitungan return on equity dan yang diberikan warna merah merupakan perusahaan yang tidak menerbitkan laporan tahunan.
Lampiran 4 Perhitungan Return on Equity
