Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKLaporan keuangan memiliki peranan yang penting bagi penggunanya dalam mengambil keputusan. Pentingnya fungsi dari laporan keuangan menyebabkan banyak pihak ingin melakukan tindak kecurangan seperti menyajikan dan merekayasa nilai material dari laporan keuangan untuk mendapatkan keuntungan. Kecurangan pada laporan keuangan menimbulkan kerugian yang tidak sedikit, yakni sekitar US$1,000,000. Kegiatan audit perlu dilakukan untuk mencegah kerugian tersebut, tetapi jumlah auditor yang tersedia saat ini terbatas, serta waktu audit tradisional yang dibutuhkan tidaklah sebentar. Pendekatan data mining yakni Support Vector Machine (SVM) serta Artificial Neural Network (ANN) digunakan untuk mendeteksi kecurangan pada laporan keuangan. ANN menghasilkan akurasi tertinggi untuk data tanpa feature selection, sedangkan SVM unggul pada data dengan feature selection

---

ABSTRACTFinancial statement has an important role for its users in taking decisions. The importance of the functions of the financial report caused many parties want to do acts of cheating like presents and manipulates the material value of the financial statements for profit. Cheating on financial statements result in losses that are not few, approximately US$1,000,000. Audit activities need to be done to prevent such losses, but the number of Auditors currently available is limited, and the time required for traditional audit is quite long. Data mining approaches like Support Vector Machine (SVM) and Artificial Neural Network (ANN) is used to detect fraud on financial statements. ANN produces the highest accuracy for data without feature selection, whereas the SVM excels at data with feature selection"

"Laporan keuangan merupakan dokumen sangat penting yang menjadi basis dari keputusan berbagai stakeholder pada pasar modal. Ironisnya, fenomena fraud (kecurangan) pada laporan keuangan perusahaan bukan merupakan praktik yang tidak pernah terjadi. Data yang dilansir ACFE Chapter Indonesia pada tahun 2016 menunjukkan bahwa sekitar 40% dari kecurangan pada laporan keuangan menyebabkan kerugian yang mencapai lebih dari Rp. 10 milyar. Menurut laporanyang dirilis oleh ACFE pada tahun 2014, rata-rata waktu yang dibutuhkan untukmendeteksi kecurangan pada laporan keuangan adalah 24 bulan dengan total kerugian yang bisa mencapai US$ 150.000. Penelitian ini akan menggunakan pendekatan machine learning berbasis optimasi meta-heuristic untuk mengembangkan model prediksi fraud pada laporan keuangan. Terdapat beberapa metode klasifikasi yang dapat digunakan yaitu Neural Networks dan Support Vector Machine. Hasil prediksi terbaik pada penelitian ini berupa model Support Vector Machine dengan parameter teroptimasi dengan Genetic Algorithm yang mendapatkan akurasi sebesar 96.15%.

---

Financial statement is a critical document which form the basis of decisions of various stakeholders in the capital market. Ironically, the phenomenon of fraud (fraud) on the company's financial statements is not a practice that never happened. Data reported by ACFE Chapter Indonesia in 2016 showed that around 40% of the financial statement caused losses that reached more than Rp 10 billion. According to a report released by ACFE in 2014, the average time needed to detect fraud on financial statements is 24 months, with a total loss that could reach US$ 150,000. This study will use several machine learning approaches based on meta-heuristic optimization to develop fraud prediction models in financial statements. Two classification methods were utilized, namely, Back Propagation Neural Networks and Support Vector Machines. The best classifier in this study is a Support Vector Machine, which parameters are optimized with Genetic Algorithm resulting in 96.15% accuracy."

"Pasar modal berkembang pesat di Indonesia dengan peningkatan 79 jumlah emiten saham baru dan peningkatan 17,9% jumlah investor baru. Perkembangan ini dipacu oleh Otoritas Jasa Keuangan yang meyakinkan bahwa setiap perusahaan terbuka selalu diawasi dengan cara mewajibkan perusahaan terbuka untuk menyampaikan laporan keuangan secara berkala. Akan tetapi pada kenyataannya, tindakan kecurangan laporan keuangan bukan menjadi hal yang langka. Association of Certified Fraud Examiner melaporkan bahwa 9,2% kecurangan di Indonesia merupakan kecurangan laporan keuangan dengan total kerugian hingga Rp242.260.000.000. Sementara, proses audit konvensional serta laporan yang menjadi 72% dari media deteksi saat ini membutuhkan 12 bulan untuk mendeteksi kasus kecurangan. Penelitian ini akan menggunakan metode ensemble learning berbasis optimasi metaheuristik untuk mengembangkan model deteksi kecurangan pada laporan keuangan. Beberapa metode klasifikasi digunakan untuk mengembangkan model, yaitu Random Forest dan XGBoost. Optimasi metaheuristik dengan metode Genetic Algorithm kemudian digunakan sebagai dasar dari proses hyperparameter tuning pada model tersebut. Hasil deteksi terbaik pada penelitian ini adalah model XGBoost dengan parameter teroptimasi yang menghasilkan akurasi sebesar 98,04% dan sensitivitas 99.02%.

---

The capital market is growing rapidly in Indonesia, gaining 79 new stock issuers and a 17.9% increase in the number of new investors in 2023. This development is driven by Otoritas Jasa Keuangan, which ensures that every public company is always monitored by requiring them to submit financial statements regularly. However, financial statement fraud is not uncommon. The Association of Certified Fraud Examiners reports that 9.2% of fraud cases in Indonesia involve financial statement fraud, with total losses amounting to Rp242,260,000,000. Meanwhile, conventional audit processes and reports, which account for 72% of current detection methods, take 12 months to detect fraud cases. This study will use an ensemble learning method based on metaheuristic optimization to develop a fraud detection model for financial statements. Several classification methods, namely Random Forest and XGBoost, are used to develop the model. Metaheuristic optimization using the Genetic Algorithm method is then applied as the basis for hyperparameter tuning in this model. The best detection result in this study is achieved by the XGBoost model with optimized parameters, yielding an accuracy of 98.04% and a sensitivity of 99.02%."

"ABSTRACTDiabetik Retinopati adalah salah satu penyebab utama kebutaan dari penderita diabetes. Untuk mencegah kebutaan dan memberikan pengobatan yang efektif, diperlukan suatu metode pendeteksian yang lebih dini untuk Diabetik Retinopati. Terdapat beberapa metode inspeksi manual untuk mendeteksi Diabetik Retinopati, tetapi membutuhkan banyak waktu dan usaha yang berat. Dalam penelitian ini, diajukan metode pendeteksian Diabetik Retinopati dengan menggunakan pendekatan Shallow Learning yang mencakup Neural Network, Support Vector Machines, dan Random Forest. Data yang digunakan untuk membangun model classifier terdiri dari kelas Diabetik Retinopati DB, kelas Age-related Macular Degeneration AMD, dan kelas Normal. Dari hasil percobaan, pendekatan klasifikasi dengan metode Support Vector Machines memiliki hasil yang lebih baik dibandingkan dengan metode Random Forest dan Neural Network. Pada klasifikasi multi-class DB, Normal, dan AMD, metode Support Vector Machines memperoleh nilai akurasi 100 dan sensitivity 100 pada 75 data training, dan memperoleh nilai akurasi 94,87 dan sensitivity 93,33 pada 25 data testing.

---

ABSTRACTDiabetic Retinopathy is one of the leading causes of blindness from diabetic patients. To prevent blindness and provide an effective treatment, an early detection of Diabetic Retinopathy is needed. Methods for detecting Diabetic Retinopathy by manual inspections exist, but very time consuming and require tedious work. In this study, Diabetic Retinopathy detection method is proposed, by using Shallow Learning approach that consists of Neural Network, Support Vector Machines, and Random Forest. The data used to build the classifier models are Diabetic Retinopathy DB class, Age related Macular Degeneration AMD class, and Normal class. From experimental results, classification approach using Support Vector Machines yielded better results compared to Random Forest and Neural Network. On multi class DB, Normal, and AMD classification, Support Vector Machines method obtained 100 accuracy and 100 sensitivity for 75 training data, and 94,87 accuracy and 93,33 sensitivity for 25 testing data. "

"Penggunaan metode machine learning dalam memprediksi volatilitas data keuangan sering digunakan dan berhasil dalam beberapa penelitian akhir-akhir ini. Salah satu metode yang paling efektif pada machine learning adalah Support Vector Machine, dimana metode ini sudah terbukti oleh para peneliti-peneliti sebelumnya dapat menunjukkan performa yang sangat baik dalam melakukan prediksi volatilitas dibandingkan metode GARCH. Pada penelitian ini, metode machine learning akan digabungkan dengan metode tradisional (yaitu SVR-GARCH) dan akan dibandingkan dengan metode tanpa digabungkan (GARCH dan SVR), yang kemudian akan dibuktikan kemampuannya pada negara-negara berkembang. Hasil penelitian menunjukkan bahwa pada negara-negara berkembang, SVR-GARCH memiliki kemampuan prediksi volatilitas yang lebih baik dibandingkan dengan GARCH.

---

The use of machine learning methods in predicting the volatility of financial data is often used and has been successful in several studies recently. One of the most effective methods of machine learning is the Support Vector Machine, where this method has been proven by previous researchers to show excellent performance in predicting volatility compared to the GARCH method. In this study, machine learning methods will be combined with traditional methods (namely SVR-GARCH) and will be compared with uncomplicated methods (GARCH and SVR), which will then prove its capabilities in developing countries. The results showed that in developing countries, SVR-GARCH has better volatility prediction than GARCH."

"ABSTRACTThis study was to determine the effect of financial targets, financial stability, external pressure, ineffective monitoring, the nature of industry, change in auditors, rationalization, change of directors, and CEOs picture of fraudulent financial statements in mining companies in Indonesia. This study uses descriptive quantitative methods. Technique of collecting data through documentation. The data used in this study are secondary data in the form of annual reports or annual reports of mining sector companies listed on the Indonesia Stock Exchange for the period 2013 2017. Next, the data was tested using multiple linear regression methods. The results of the study found that the target Financial and Nature of industry had an effect on fraudulent financial statements. Meanwhile, Financial stability, External pressure, and Ineffective monitoring, Change in auditors, Rationalization, and Change of directors, and CEOs picture, have no effect on fraudulent financial statements in mining companies in Indonesia."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"ABSTRAKPenelitian ini bertujuan untuk memperoleh bukti empiris mengenai pengaruh pressure, opportunity, rationalization, capability, dan arrogance elemen-elemen fraud pentagon terhadap terjadinya financial statement fraud. Metode penelitian yang digunakan dalam penelitian ini adalah regresi linear berganda menggunakan data panel dengan populasi pada penelitian ini adalah perusahaan publik yang terdaftar di Bursa Efek Indonesia pada tahun 2007-2015. Hasil penelitian ini membuktikan bahwa pressure, rationalization, dan arrogance berpengaruh positif dan signifikan terhadap financial statement fraud, sementara capability berpengaruh negatif dan opportunity tidak berpengaruh signifikan terhadap financial statement fraud.

---

ABSTRACTThe purpose of this study is to obtain empirical evidence about the effect of pressure, opportunity, rationalization, capability, and arrogance the elements of fraud pentagon on the occurrence of financial statement fraud. The research method used in this study is multiple linear regression using panel data with population of this study comes from publicly listed companies in Indonesia Stock Exchange during 2007 2015. The result of this study proves that pressure, rationalization, and arrogance positively impact financial statement fraud, while capability has negative effect and opportunity does not have significant effect on the financial statement fraud."

"Manusia memiliki kebutuhan untuk melangsungkan hidupnya. Seiring waktu harga-harga kebutuhan akan naik dikarenakan inflasi. Untuk mengantisipasi inflasi, manusia melakukan investasi. Investasi dapat bermacam-macam seperti membeli aset-aset riil (tanah, emas, dsb), ataupun membeli surat-surat berharga (efek) di pasar modal. Saham merupakan jenis efek yang paling sering diperjualbelikan. Dalam melakukan investasi saham, seorang investor memiliki permasalahan untuk memilih saham-saham yang dapat menghasilkan nilai imbal balik yang diharapkan. Permasalahan ini akan coba dijawab oleh Support Vector Machine (SVM) dengan mengklasifikasikan saham-saham apa saja yang menghasilkan imbal hasil ≥1%, dan imbal hasil <1%. Atribut yang digunakan terdapat 22, terdiri dari indikator teknikal dan nilai yang diolah dari data historis saham. Data historis saham yang digunakan adalah data perdagangan harian 30 saham dari indeks IDX30 pada jangka waktu 1 September 2020 hingga 31 Agustus 2021. Data historis saham dari 1 September 2020 hingga 5 Juni 2021 digunakan sebagai data training, dan data historis saham dari 6 Juni 2021 hingga 31 Agustus 2021 digunakan sebagai data testing. Model SVM yang dihasilkan memiliki akurasi sebesar 99,44%. Setelah didapatkan saham-saham yang berpotensi menghasilkan keuntungan yang diharapkan melalui SVM, selanjutnya akan dibuat sebuah portofolio investasi dari kumpulan saham tersebut dengan metode Mean Variance (MV). Bobot tiap saham yang dipilih adalah bobot saham yang meminimalkan variansi dari portofolio. Sebagai pembanding digunakan model pembentukan portofolio Equal Weight Portofolio (EWP) dan kinerja dari indeks IDX30. Imbal hasil dari portofolio yang dibentuk oleh SVM+MV dan SVM+EWP jauh lebih baik dari indeks IDX30. Variansi portofolio dari SVM+MV lebih kecil daripada portofolio dari SVM+EWP.

---

Human must has basic need to survive. The price of basic need will increase over time because the effect of inflation. To anticipate the inflation, human tend to invest. There are two kind of investment, real asset such as land and gold, and securities such as stock and obligation. Stock is the most actively traded. When an investor decide to invest on stock, investor have to choose which stocks that will generate enough return for himself. This problem would be solved by using Support Vector Machines. SVM is one of the machine learning technique for classification, in this case we will classify the the stock based on the return ≥1% or <1%. There are 22 attribute that used for SVM. Data come from historical stock data of 30 stocks from IDX30 index. The range is from 1 September 2020 untill 31 August 2021. Data from 1 September 2020 through 5 June 2021 would be training data and data from 6 June 2021 untill 31 August 2021 would be testing data. The result from SVM model has accuracy of 99,44%. The next thing to fo after we have which stock that will be choose is to build a portofolio from it. The portofolio theory of Mean Variance will be used to build portofolio from the result of prediction stock SVM. Mean Variance method will determine how much the portion of respective stock to be invested that would be maximize returns and also minimize investment risk. For measure how well the model perform, we used Equal Weight Portofolio (EWP) method and return of IDX30 index. The result is SVM+MV model and SVM+EWP model generate more return than the underlying index. The variance of portofolio that generated from SVM+MV are smaller than portofolio generated from SVM+EWP."

"Penelitian ini bertujuan untuk membuat model prediksi financial distress guna menanggapi penurunan kinerja perusahaan terbuka akibat pandemi COVID-19. Metode penelitian yang digunakan adalah regresi logistik untuk menguji hubungan antara financial distress dengan variabel independen seperti rasio keuangan dan rasio pasar saham. Hasil penelitian menunjukkan bahwa rasio leverage, solvabilitas, dan profitabilitas berpengaruh lebih signifikan dibandingkan rasio lainnya. Karena financial distress tidak terjadi secara tiba-tiba, penelitian ini membagi modelnya menjadi 2, yaitu 1 tahun sebelum distress (M1) dan 2 tahun sebelum distress (M2). Hasilnya menunjukkan bahwa M1 memiliki hasil yang lebih baik, dengan akurasi prediksi mencapai 91,63% (dengan default cut-off point = 0,5). Penulis juga memperkirakan ulang model berbasis akuntansi lainnya dan membandingkan model penulis dengan model lain. Hasilnya menunjukkan bahwa model penulis berkinerja lebih baik dibandingkan model lain (selisih +12,24%); sehingga model penulis menjadi model berbasis akuntansi yang paling cocok untuk prediksi financial distress untuk emiten di Bursa Efek Indonesia. Hal ini dikarenakan model penulis didasarkan pada kombinasi variabel akuntansi dan variabel pasar modal

---

This study aims to create a new model for financial distress prediction in response to public companies’ deteroriation of performance due to the COVID-19 pandemic. The research method used was logistic regression to examine the relation between financial distress and independent variables such as financial ratios and stock market ratios. The result shows that the ratios of leverage, solvency, and profitability affected more significantly than other ratios. Since financial distress does not occur suddenly, this study divided its model into 2, namely 1 year before the distress (M1) and 2 years before the distress (M2). The results indicate that M1 had a better result, with 91,63% classification accuracy (by default cut-off point = 0.5). We also re-estimated other accounting-based models and compare our model to them. The results demonstrate that our model performed better than other models (+12,24% difference); thereby our model appeared to be the most suitable accounting-based model for financial distress prediction for the Indonesia Stock Exchange. This is because author’s model is based on a combination of accounting variables and capital market variables."