Latar Belakang Perumusan Masalah Tujuan … penggunaan yakni : Rasio Likuiditas, Leverage, Aktivitas, Profitabilitas, Penilaian. Terdapat dua cara perbandingan yakni membandingkan

.

• Latar Belakang

• Perumusan Masalah

.

• Tujuan Penelitian

• Manfaat Penelitian

.

• Ruang Lingkup Penelitian

• Sistematika Penulisan

IHSG merosot tajam saat krisis global tahun 2008

Investor mengetahui masalah keuangan setelah laporan keuangan dipublikasikan

Dampak kesulitan keuangan perusahaan-

perusahaan besar

Kondisi keuangan internal dapat berdampak besar

pada nilai saham

Informasi kondisi rugi sebelum bangkrut (financial distress)

menjadi sangat penting

Perusahaan dapat melakukan tindakan

pencegahan kebangkrutan

Bagaimana melakukan pengelompokan perusahaan manufaktur yang mengalami kondisi financial distress dengan clustering data mining. Setelah didapatkan hasilnya kemudian dianalisa

rasio keuangan untuk mengetahui kelompok tersebut merupakan financial distress atau non

financial distress.

1. Industri amatan : Industri Manufaktur terdaftar di BEI 2. Metode : K-Means dan Fuzzy C-Means clustering 3. Industri amatan listing di BEI tahun 2005 – 2008

4. Data : Laporan Keuangan terbitan BEI

Mengetahui Pengelompokan Perusahaan yang Mengalami Kondisi Financial Distress dalam Industri Manufaktur Go-Public di Indonesia

Penulis Perusahaan Investor Peneliti Lain

Financial Distress

Data Mining K-Means

Clustering

Fuzzy C-Means

Clustering

Rasio – rasio keuangan

FINANCIAL DISTRESS

DATA MINING

K-MEANS CLUSTERING

FUZZY C-MEANS CLUSTERING

RASIO-RASIO KEUANGAN

Kondisi dimana arus kas perusahaan saat itu sangat rendah dan perusahaan sedang menderita kerugian akan tetapi belum sampai mengakibatkan kebangkrutan (Purnanandam, 2008) Semakin meningkat apabila perusahaan tersebut memiliki biaya tetap yang tinggi, aset yang tidak likuid, ataupun keuntungan perusahaan yang semakin menurun seiring dengan penurunan kondisi perekonomian

Data mining, sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. (Santosa, 2007)

Data mining merupakan salah satu bidang keilmuan, yang berusaha menggali pola yang ada dalam data.

K-Means adalah suatu metode penganalisaan data mining yang melakukan proses permodelan tanpa supervisi dan melakukan pengelompokan data dengan sistem partisi (Agusta, 2007) Pengelompokan obyek ke k klaster. k ini harus ditentukan dahulu. Tujuan metode ini meminimalkan objective function yang diset dalam proses clustering, yang pada umumnya meminimalisasikan variasi dalam cluster dan maksimasi variasi antar cluster.

Fuzzy C-Means (FCM) ini mengalokasikan kembali data ke dalam masing-masing cluster dengan memanfaatkan teori Fuzzy. Sesuai dengan namanya fuzzy yang berarti samar, batas-batas klaster dalam K-Means adalah tegas (hard) sedangkan dalam FCM adalah samar (soft). Prosedur metode ini hampir sama dengan metode K-Means kecuali pusat klaster dihitung dengan mencari rata-rata dari semua titik dalam suatu klaster dengan diberi bobot berupa tingkat keanggotaan (degree of belonging) dalam klaster tersebut. Dengan tingkat keanggotaan ini dapat dilihat data mana yang sebenarnya berada dalam daerah abu-abu. Dengan nilai tingkat keanggotaan harus diambil keputusan ke klaster mana suatu data harus dimasukkan. Dan hasil metode FCM ini sangat bergantung pada nilai awal pusat klaster yang diberikan (Santosa, 2007)

Rasio keuangan diperoleh dengan cara menghubungkan elemen-elemen laporan keuangan. Ada dua pengelompokkan jenis-jenis rasio keuangan, pertama rasio menurut sumber darimana rasio dibuat dan dapat dikelompokkan menjadi Rasio Neraca, Laporan Laba Rugi, Antar Laporan. Jenis rasio menurut tujuan penggunaan yakni : Rasio Likuiditas, Leverage, Aktivitas, Profitabilitas, Penilaian. Terdapat dua cara perbandingan yakni membandingkan rasio sekarang dengan rasio tahun lalu dan membandingkan rasio-rasio perusahaan dengan kelompok perusahaan sejenis (rasio industri).

MULAI

IDENTIFIKASI DAN PERUMUSAN MASALAH

PENENTUAN TUJUAN DAN MANFAAT PENELITIAN

STUDI LITERATUR : KONSEP DATA MINING K-MEANS CLUSTERING

FUZZY C-MEANS CLUSTERING FINANCIAL DISTRESS

ANALISA RASIO KEUANGAN

PENGUMPULAN DATA LAPORAN KEUANGAN PERUSAHAAN MANUFAKTUR TERBUKA DI INDONESIA

A

A

OPERASIONALISASI VARIABEL X1, X2, X3, X4, X5

PENGOLAHAN DATA DENGAN METODE K-MEANS CLUSTERING

PENGOLAHAN DATA DENGAN METODE FUZZY-MEANS CLUSTERING

PERBANDINGAN KEDUA METODE

ANALISIS DAN INTERPRETASI HASIL

KESIMPULAN DAN SARAN

SELESAI

Pengum-pulan Data

Operasio-nalisasi Variabel

K-Means Clustering

Fuzzy C-Means

Clustering

Perbandi-ngan K-Means

dan FCM

1 ADES

PT Akasha Wira International Tbk

(Sebelumnya: PT Ades Waters Indonesia

Tbk)

51 B01

2 ADMG PT Polychem Indonesia Tbk 43 B16

3 AISA PT Tiga Pilar Sejahtera Food Tbk 51 B01

4 AKKU PT Aneka Kemasindo Utama Tbk 35 B09

5 AKPI PT Argha Karya Prima Industry Tbk 35 B09

6 AKRA PT AKR Corporindo Tbk 91 B07

7 ALMI PT Alumindo Light Metal Industry Tbk 33 B11

8 AMFG PT Asahimas Flat Glass Tbk 32 B09

9 APLI PT Asiaplast Industries Tbk 35 B09

10 AQUA PT Aqua Golden Mississippi Tbk 51 B01

11 ARGO PT Argo Pantes Tbk 43 B03

12 ARNA PT Arwana Citramulia Tbk 32 B13

13 ASGR PT Astra-Graphia Tbk 97 B15

14 ASII PT Astra International Tbk 42 B16

15 AUTO PT Astra Otoparts Tbk 42 B16

16 BATA PT Sepatu Bata Tbk 44 B04

17 BATI PT BAT Indonesia Tbk 52 B02

18 BIMA PT Primarindo Asia Infrastructure Tbk 44 B04

19 BRAM PT Indo Kordsa Tbk 42 B16

20 BRNA PT Berlina Tbk 35 B09

21 BRPT PT Barito Pacific Tbk 34 B05

22 BTON PT Betonjaya Manunggal Tbk 33 B11

23 BUDI PT Budi Acid Jaya Tbk 34 B07

24 CEKA PT Cahaya Kalbar Tbk 51 B01

25 CLPI PT Colorpak Indonesia Tbk 91 B07

26 CNTX PT Century Textile Industry (CENTEX) Tbk 43 B03

27 CTBN PT Citra Tubindo Tbk 33 B11

28 DAVO PT Davomas Abadi Tbk 51 B01

29 DLTA PT Delta Djakarta Tbk 51 B01

30 DPNS PT Duta Pertiwi Nusantara Tbk 34 B08

31 DVLA PT Darya-Varia Laboratoria Tbk 53 B18

No.Kode

EmitenNama Emiten JASICA ICMD

X1 = (current assets-current liabilities) / total assets X2 = retained earnings / total assets X3 = EBIT / total assets X4 = book value of equity / book value of total debt X5 = sales / total assets

Proses permodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan

sistem partisi (mengelompokkan obyek x ke dalam k klaster)

Pengelompokkan obyek ke dalam k kelompok atau klaster. Untuk melakukan teknik ini, nilai k harus ditentukan terlebih dahulu, biasanya user

atau pemakai sudah mempunyai informasi awal tentang jumlah klaster yang paling tepat (Santosa, 2007).

Tujuan utama metode klaster : pengelompokan sejumlah data/obyek ke dalam klaster (grup) sehingga dalam setiap klaster akan berisi data

yang semirip mungkin (data yang jaraknya berdekatan).

Algoritma K-Means melibatkan parameter input, k, dan mempartisi sejumlah n data atau obyek kedalam k klaster sehingga menghasilkan

similarity intra klaster yang tinggi namun similarity antar klaster rendah.

Berbeda dengan K-Means, dalam metode ini setiap data bisa menjadi anggota dari beberapa klaster. Batas-batas klaster dalam FCM adalah samar (soft).

Prosedur metode ini hampir sama dengan metode K-Means kecuali pusat klaster dihitung dengan mencari rata-rata dari semua titik dalam suatu

klaster dengan diberi bobot berupa tingkat keanggotaan (degree of belonging) dalam klaster tersebut.

Dengan tingkat keanggotaan ini dapat dilihat data mana yang sebenarnya berada dalam daerah abu-abu. Dengan nilai tingkat keanggotaan harus

diambil keputusan ke klaster mana suatu data harus dimasukkan. Dan hasil metode FCM ini sangat bergantung pada nilai awal pusat klaster yang

diberikan (Santosa, 2007).

Dalam metode Fuzzy K-Means dipergunakan variabel membership function, Uik, yang merujuk pada seberapa besar kemungkinan

suatu data bisa menjadi anggota ke dalam suatu cluster.

SSE (Sum of Squared Error) :

icdrate (internal cluster dispersion rate)

Di = klaster x = set data

mi = rata-rata setiap klaster k = jumlah kelompok

n = jumlah vektor yang diamati

dj0 = Jarak Euclidean antara nilai tengah klaster jth dan

keseluruhan nilai vektor rata-rata.

dl = Jarak Euclidean antara vektor observasi lth dan

keseluruhan contoh rata-rata vektor

2004 SSB SSW R2 SSE icdrate

K-Means 263.7194 193.9716 0.5762 193.9716 0.4238

Fuzzy C-

Means262.3952 195.2958 0.5733 195.2958 0.4267

2005 SSB SSW R2 SSE icdrate

K-Means 281.111 194.1835 0.5914 194.1835 0.4086

Fuzzy C-

Means281.111 194.1835 0.5914 194.1835 0.4086

2006 SSB SSW R2 SSE icdrate

K-Means 439.1826 332.623 0.5690 332.623 0.4310

Fuzzy C-

Means435.2313 336.5744 0.5639 336.5744 0.4361

2007 SSB SSW R2 SSE icdrate

K-Means 225.8405 258.2303 0.4665 258.2303 0.5335

Fuzzy C-

Means221.5145 262.5563 0.4576 262.5563 0.5424

2008 SSB SSW R2 SSE icdrate

K-Means 246.0227 266.9591 0.4796 266.9591 0.5204

Fuzzy C-

Means239.7071 273.2748 0.4673 273.2748 0.5327

Analisa Metode Unsupervised Learning

Analisa Hasil Pengelompokan K-Means

Analisa Rasio Keuangan

Analisa Klaster 1 dan Klaster 2

Metode

TahunAnggota

Klaster 1

Anggota

Klaster 2

Anggota

Klaster 1

Anggota

Klaster 2

2004 15 120 17 118

2005 19 116 19 116

2006 6 129 7 128

2007 16 119 24 111

2008 20 115 24 111

K-Means Fuzzy C-Means

K-Means Fuzzy C-Means K-Means Fuzzy C-Means

2004 193.9716 195.2958 0.4238 0.4267

2005 194.1835 194.1835 0.4086 0.4086

2006 332.623 336.5744 0.4310 0.4361

2007 258.2303 262.5563 0.5335 0.5424

2008 266.9591 273.2748 0.5204 0.5327

SSE icdrateTahun

Amatan

Semakin kecil nilai SSE, semakin bagus hasil klastering (Santosa, 2007). Semakin kecil nilai icdrate, semakin bagus hasil pengelompokan (Eviritt, 2001).

TahunAnggota

Klaster 1

Anggota

Klaster 2SSE icdrate

2004 15 120 193.9716 0.4238

2005 19 116 194.1835 0.4086

2006 6 129 332.623 0.4310

2007 16 119 258.2303 0.5335

2008 20 115 266.9591 0.5204

Metode K-Means Clustering

Indikasi Financial Distress: - Beberapa tahun mengalami laba bersih (net income) operasi negatif (Whitaker 1999) - Selama dua tahun berturut-turut tidak melakukan pembayaran deviden (Lau 1987). - Analisis laporan keuangan dari perusahaan serta perbandingannya dengan perusahaan lain. (Foster 1986).

Klaster 1

• Contoh : PT Lion Metal Works Tbk.

Perusahaan current asset current liabilities total assetsX1 (Working

Capital/Tota Assets)

PT Lion Metal

Works TbkRp183,763,364,091 Rp33,978,658,878 Rp216,129,508,805 0.693032183

retained earnings

(appropriated)

retained earning

(unappropriated)

X2 (Retained

Earning/Total

Rp4,668,000,000 Rp111,231,025,969 0.536248042

Profit loss before

taxInterest Expense

X3 (EBIT/Total

Assets)

Rp36,739,531,686 Rp23,317,823,710 0.277876703

Total Equity Total LiabilitiesX4 (Total Equity /

Total Liabilities)

Rp169,869,656,190 Rp46,259,852,615 3.672075171

Sales total assets X5 (Sales/Total

Rp179,568,434,429 Rp216,129,508,805 0.830837193

Analisa..

• Perusahaan tidak pernah memiliki nilai net income negatif selama lima

tahun amatan dan selalu membayarkan dividen.

• Jumlah aset > liabilitas menunjukkan perusahaan mampu membayar kewajiban jangka pendek dengan lancar.

• X1 bernilai positif.

X1

• Retained Earnings cukup besar berarti perusahaan memiliki kelebihan pendapatan (earned surplus).

• X2 bernilai positif X2

• Profit before tax positif menandakan perusahaan mendapatkan keuntungan.

• X3 bernilai positif X3

• Ekuitas > liabilitas menunjukkan perusahaan mampu membayar semua kewajiban dengan lancar.

• X4 bernilai positif. X4

• Jumlah sales cukup besar walaupun lebih kecil daripada total assets.

• X5 bernilai positif. X5

Kesimpulan..

• Indikator Financial Distress :

• - Beberapa tahun mengalami laba bersih (net income) operasi negatif

• - Selama dua tahun berturut-turut tidak melakukan pembayaran deviden

• Klaster 1 merupakan klaster perusahaan yang tidak mengalami kondisi financial distress. Klaster 1 merupakan klaster non-financial distress.

• Contoh PT Akasha Wira International Tbk

Klaster 2

Perusahaan current assetcurrent

liabilitiestotal assets

X1 (Working

Capital/Tota Assets)

PT Akasha Wira

International TbkRp33,121 Rp96,346 Rp178,761 -0.353684529

retained earnings

(appropriated)

retained earning

(unappropriated)

X2 (Retained Earning/Total

Assets)

Rp1,072 -Rp528,931 -2.952875627

Profit loss before

taxInterest Expense X3 (EBIT/Total Assets)

-Rp151,986 Rp31,984 -0.671298549

Total Equity Total LiabilitiesX4 (Total Equity / Total

Liabilities)

Rp67,106 Rp111,655 0.601012046

Sales total assets X5 (Sales/Total Assets)

Rp131,549 Rp178,761 0.735893176

Analisa..

• Perusahaan mengalami net income negatif selama lima tahun amatan (2004 hingga 2008).

• Perusahaan tidak membayar dividennya selama tiga tahun.

• Jumlah liabilitas > aset, menunjukkan perusahaan kesulitan membayar kewajiban jangka pendeknya dengan lancar.

• X1 bernilai negatif

X1

• Retained Earnings negatif sebesar hutang yang dimanfaatkan perusahaan.

• X2 bernilai negatif X2

• Profit before tax negatif menandakan perusahaan tidak mampu menghasilkan laba dari aset.

• X3 bernilai negatif X3

• Ekuitas < liabilitas menunjukkan perusahaan kesulitan membayar semua kewajiban dengan lancar.

• X4 bernilai negatif. X4

• Jumlah sales > total assets namun tetap merugi. Hasil sales digunakan untuk melunasi biaya operasional lainnya.

• X5 bernilai positif. X5

Kesimpulan..

• Indikator Financial Distress:

• - Beberapa tahun mengalami laba bersih (net income) operasi negatif

• - Selama dua tahun berturut-turut tidak melakukan pembayaran deviden

• Klaster 2 merupakan klaster perusahaan yang mengalami kondisi financial distress. Klaster 1 merupakan klaster financial distress.

Analisa Rasio Keuangan Tahun 2004

Analisa Rasio Keuangan Tahun 2005

Analisa Rasio Keuangan Tahun 2006

Analisa Rasio Keuangan Tahun 2007

Analisa Rasio Keuangan Tahun 2008

ahu

• Hasil plot clustering X1 tahun 2004

Klaster 1 : bintang biru

Klaster 2 : lingkaran merah

Analisa Rasio Keuangan Tahun 2004

X1 (current assets – current liabilities) / total assets ini merupakan rasio likuiditas

Rasio likuiditas menunjukkan kemampuan perusahaan memenuhi kewajiban jangka pendeknya.

Semakin tinggi nilai rasio-nya semakin bagus karena berarti perusahaan mampu membayar hutang jangka pendeknya dengan lancar (Fess, 1984).

Pada klaster 1, jumlah anggota sebesar 15 perusahaan menufaktur terbuka dengan nilai variabel X1 berkisar antara 0 hingga mendekati 0.7. Nilai terendah yakni 0.068998 (PT Pyridam Farma Tbk) sedangkan nilai

tertinggi yakni 0.661496 (PT Lion Metal Works Tbk).

Pada klaster 2, jumlah anggotanya sebesar 120 perusahaan manufaktur dengan nilai variabel berkisar diantara nilai -2.5 hingga 0.5. Nilai terendah yakni -2.43954 (PT Asia Pacific Fibers Tbk) dan nilai tertinggi yakni 0.559806 (PT Resource Alam Indonesia Tbk).

klaster 1 merupakan kelompok perusahaan-perusahaan manufaktur yang lebih mampu membayar hutang jangka pendeknya dengan

lancar serta indikasi bahwa perusahaan tersebut tidak terkena kondisi kesulitan keuangan dibandingkan klaster 2.

X2 (retained earnings / total assets) ini termasuk rasio leverage.

Rasio leverage menunjukkan seberapa besar kebutuhan dana perusahaan dibelanjai dengan hutang.

Perusahaan dengan nilai RE tinggi, relatif terhadap TA, telah membiayai aset mereka melalui retensi keuntungan dan belum banyak memanfaatkan hutang (Altman, 2000).

Semakin tinggi nilai RE/TA semakin baik dan semakin rendah nilai RE/TA semakin buruk.

Pada klaster 1, nilai X2 memiliki rentang dari 0 hingga mendekati 0,7. Nilai terendah adalah 0,007931 (PT Allbond Makmur Usaha Tbk) dan nilai tertinggi adalah 0,699483 (PT Delta Djakarta Tbk). Nilai ini menunjukkan perbandingan antara retained earnings dengan total assets perusahaan.

Pada klaster 2, nilai X2 memiliki rentang nilai dari mendekati -2 hingga 1 dengan beberapa nilai dibawah 0. Nilai terendah adalah -1,99196 (PT Asia Pacific Fibers Tbk) dan nilai tertinggi adalah 0,87007 (PT Panasia Indosyntec Tbk). Sehingga dapat disimpulkan nilai klaster 2 lebih rendah daripada nilai klaster 1.

Sebanyak 42 perusahaan di klaster 2 memiliki nilai minus, sehingga bila dibandingkan dengan klaster 1, klaster 2 bernilai lebih rendah.

Klaster 1 merupakan kelompok perusahaan-perusahaan manufaktur yang membiayai asset perusahaan dengan retensi laba serta indikasi bahwa perusahaan tersebut tidak terkena

kondisi kesulitan keuangan dibandingkan klaster 2.

X3 (Earnings Before Interest and Taxes / Total Assets) ini termasuk rasio fixed assets turnover.

Rasio Daya Laba Dasar (EBIT/TA) mencoba mengukur efektivitas perusahaan dalam memanfaatkan seluruh sumber dayanya, yang menunjukkan rentabilitas ekonomi perusahaan (Agnes Sawir, 2003).

Sembiring (2010) dalam hasil penelitiannya menyatakan bahwa semakin tinggi rasio EBIT/TA suatu perusahaan maka semakin besar kemungkinan perusahaan tersebut terhindar dari kondisi financial distress.

Sehingga semakin tinggi nilai rasio X3 ini semakin baik dan semakin rendah nilainya semakin buruk.

Pada klaster 1, nilai X3 memiliki rentang nilai dari 0 hingga mendekati 0.42. Nilai terendah yakni 0.016687 diperoleh PT Allbond Makmur Usaha Tbk (sebelumnya PT Sanex Qianjiang Motor International Tbk), sedangkan nilai tertinggi yakni 0.41758 diperoleh PT Merck Tbk.

Pada klaster 2, nilai X3 memiliki rentang nilai dari -1.44 hingga mendekati 1. Nilai terendah yakni -1.4308 diperoleh PT Akasha Wira International Tbk (sebelumnya PT Ades Waters Indonesia Tbk), sedangkan nilai tertinggi yakni 0.575486 diperoleh PT Unilever Indonesia Tbk. Terdapat 33 perusahaan bernilai minus.

Klaster 1 memiliki nilai yang lebih tinggi berarti perusahaan semakin efektif dalam memanfaatkan seluruh sumber dayanya dalam pencapaian laba sehingga semakin rendah terjadi kondisi financial distress sedangkan klaster 2 merupakan kelompok perusahaan yang memiliki kemungkinan besar terkena kondisi financial distress.

Variabel X4 (book value of total equity / book value of total debt) menunjukkan berapa banyak aset perusahaan dapat mengalami penurunan nilai (diukur dengan nilai pasar ekuitas ditambah hutang) sebelum kewajiban (passiva) melebihi aset dan perusahaan menjadi bangkrut.

Semakin tinggi nilai rasio X4 ini semakin baik, semakin rendah nilainya semakin buruk.

Pada klaster 2, nilainya berkisar antara -0.7 hingga mendekati 3. Nilai terendah yakni -0,7717 diperoleh oleh PT Sekar Laut Tbk, sedangkan nilai tertinggi yakni 2,844734 diperoleh oleh PT Darya-Varia Laboratoria Tbk.

Klaster 1 merupakan kelompok perusahaan yang tidak banyak membiayai operasionalnya dengan hutan sedangkan klaster 2 merupakan kelompok perusahaan agresif dalam menggunakan hutang yang akan berdampak melemahnya kondisi keuangan bila hutang yang dimiliki terlalu banyak.

Pada klaster 1, nilai variabel X4 berkisar antara 3 hingga mendekati nilai 10. Nilai terendah yakni 3,317326 diperoleh PT Merck Tbk, sedangkan nilai tertinggi yakni 9,222684 diperoleh PT Aneka Kemasindo Utama Tbk.

X5 merupakan rasio Sales / Total Assets (S/TA) yang merupakan rasio assets

turnover dalam rasio aktivitas.

Rasio ini menunjukkan efektivitas penggunaan seluruh harta perusahaan dalam rangka menghasilkan penjualan atau

menggambarkan berapa rupiah penjualan bersih yang dapat dihasilkan oleh setiap rupiah yang diinvestasikan dalam bentuk harta

perusahaan. Jika perputarannya lambat, ini menunjukkan bahwa aktiva yang dimiliki terlalu besar dibanding dengan kemampuan

untuk menjual (Agnes Sawir 2003 : 17).

Semakin tinggi rasio S/TA, semakin kecil kemungkinan perusahaan mengalami kondisi financial distress. Semakin tinggi semakin baik, semakin rendah semakin buruk.

Pada klaster 1, nilai variabel X5 berkisar antara 0.4 hingga mendekati 2. Nilai terendah yakni 0,4832307 diperoleh PT Pyridam Farma Tbk, sedangkan nilai tertinggi yakni 1,862363 diperoleh PT Merck Tbk.

Pada klaster 2, nilai variabel X5 berkisar antara 0 hingga mendekati 3. Nilai terendah yakni 0.00168 diperoleh PT Indo Acidatama Tbk (sebelumnya: PT Sarasa Nugraha Tbk), sedangkan nilai tertinggi yakni 2.756647 diperoleh PT Fast Food Indonesia Tbk.

Terdapat 19 perusahaan pada klaster 2 yang memiliki nilai lebih rendah daripada nilai terendah pada klaster 1 dan pada klaster 2 terdapat 13 perusahaan yang bernilai lebih tinggi daripada klaster 1

Klaster 1 merupakan kelompok perusahaan yang lebih efektif menggunakan asetnya untuk menghasilkan laba dibandingkan klaster 2.

Analisa Rasio Setiap Tahun

Analisa Rasio

per Tahun

Klaster 1

(non financial

distress)

Klaster 2

(financial distress)

2004 v financial distrees

2005 v financial distrees

2006 v financial distrees

2007 v financial distrees

2008 v financial distrees

1. Metode K-Means dengan Fuzzy C-Means setelah dibandingkan dengan mempertimbangkan nilai SSE dan icdrate,

didapatkan metode K-Means sebagai metode terbaik.

2. Hasil pengelompokan dengan metode K-Means Clustering didapatkan pada tahun 2004, jumlah anggota klaster 1 sebanyak

15 dan klaster 2 sebanyak 120 perusahaan. Pada tahun 2005, jumlah anggota klaster 1 sebanyak 19 dan klaster 2 sebanyak 116 perusahaan. Pada tahun 2006, jumlah anggota klaster 1

sebanyak 6 perusahaan dan klaster 2 sebanyak 129 perusahaan. Pada tahun 2007, jumlah anggota klaster 1 sebanyak 16

perusahaan dan klaster 2 sebanyak 119 perusahaan. Pada tahun 2008, jumlah anggota klaster 1 sebanyak 20 perusahaan dan

klaster 2 sebanyak 115 perusahaan. Keanggotaan masing-masing klaster tiap periode terlampir.

Kesimpulan

3. - Klaster 1 merupakan kelompok perusahaan manufaktur terbuka dengan kondisi non financial distress. Kelompok ini mempunyai jumlah anggota paling sedikit dan memiliki catatan nilai rasio-rasio positif serta nilai EBITDA positif. - Klaster 2 merupakan kelompok perusahaan manufaktur terbuka yang mengalami kondisi financial distress. Kelompok ini mempunyai kelompok dengan jumlah anggota terbanyak dan memiliki catatan nilai rasio-rasio negatif serta nilai EBITDA minus (negatif).

4. Perusahaan-perusahaan yang secara konsisten termasuk dalam klaster 1 dan klaster 2 selama periode amatan (2004-

2008) terlampir.

Saran.. 1. Bagi Bursa Efek Indonesia (BEI) perlu dilakukan pendataan ulang serta

melengkapi data laporan keuangan perusahaan di website maupun di arsip. Sejak BES (Bursa Efek Surabaya) dan BEJ (Bursa Efek Jakarta) merger

menjadi satu pada tahun 2007, banyak data hilang dari server maupun perpustakaan BEI sehingga membuat penulis dan masyarakat kesulitan mendapatkan data-data keuangan dan pendukung. Data keuangan yang

hilang tersebut sebagian besar dijual oleh pihak ketiga dan mengharuskan kompensasi materiil bila ingin mendapatkan data serta pihak BEI seakan

menutup mata atas kejadian jual beli data.

2. Untuk penelitian yang akan datang, dengan bahasan yang sama sebaiknya mencoba memprediksi kondisi financial distress dengan

pendekatan supervised learning, namun hal ini dapat tercapai apabila ada data historis yang akurat ataupun diadakan pra-penelitian terlebih

dahulu. Dapat pula menggunakan metode clustering yang lainnya.

DAFTAR PUSTAKA • Agusta, Yudi, 2007, “K-Means, Penerapan, Permasalahan dan Metode Terkait”, Jurnal Sistem

dan Informatika, Vol. 3.

• Altman, E.I, Max L. Heine, 2000, “Predicting Financial Distres of Companies : Revisiting The Z-Score and ZETA® Models”, Journal of Finance

• Altman, E.I., 1968, "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", Journal of Finance, Vol. 23, pp 589 – 609

• Altman, E.I., R.G. Haldeman, dan P. Narayanan, 1997, "Zeta Analysis, a New Model for Identifying Bankruptcy Risk of Corporation", Journal of Banking and Finance, Vol. 1, pp 29 – 54

• Dun & Bradstreet, 1994, “The Failure Record” and annually.

• Fisher, L., 1959, “Determinants of Risk Premiums on Corporate Bonds”, Journal of Political Economy, June

• Foster, George. 1986. “Financial Statement Analysis”. Prentice Hall, Englewood Cliffs, New Jersey.

• Hadibroto, S, Dachnial Lubis, Sudrajat Sukadam, 1994, “Dasar-dasar Akuntansi, Pengantar Ilmu Akuntansi”, Edisi Revisi Cetakan Pertama, Pustaka LP3ES Indonesia, Jakarta.

• Han, J. dan Kamber, M., 2006, “Data mining: Concepts and Techniques (2nd)”, Elsevier Inc.

• Helfert, Erich A., 1991, “Analisis Laporan Keuangan”, Edisi Ketujuh, Penerbit Erlangga, Jakarta.

• Helfert, Erich A., 1997, “Teknik Analisa Keuangan: Petunjuk Praktis untuk Mengelola dan Mengukur Kinerja Perusahaan”, Edisi Kedelapan, Erlangga, Jakarta.

• Husnan, Dr.Suad dan dra. Enny Pudjiastuti, MBA Akt., 1994, “Dasar-Dasar Manajemen Keuangan”, Unit Penerbit dan Percetakan AMP YKPN, Yogyakarta.

• Irandha, Irma P.W., 2008, “Analisa Keluarga Miskin dengan Menggunakan Metode Fuzzy C-Means Clustering”, Paper Tugas Akhir D4 Teknik Informatika. Politeknik Elektronika Negeri Surabaya, Surabaya

• Irawan M. Isa, Satriyanto Edi, 2008, "Virtual Pointer Untuk Identifikasi Isyarat Tangan Sebagai Pengendali Gerakan Robot Secara Real-Time", Bidang Ilmu Komputer – Jurusan Matematika FMIPA – Institut Teknologi Sepuluh Nopember Surabaya, Surabaya.

• Lailiya, Arinda Rachmi, 2010, “Pengelompokkan Kabupaten/Kota di Jawa Timur Berdasarkan Kesamaan Faktor-Faktor yang Mempengaruhi Tingkat Pengangguran Terbuka dengan Metode Hirarki dan Non Hirarki”, Tugas Akhir tidak diterbitkan, Institut Teknologi Sepuluh Nopember Surabaya, Surabaya

• Lasher, William R., 1997, “Practical Financial Management”, West Publishing Company, St Paul, Minneapolis

• Lau, A.H, 1997, “A Five State Financial distress Prediction Model”, Journal of Accounting Research Volume 25: 127-128

• Luciana Spica Almilia & Kristijadi, 2003, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Perusahaan Manufaktur yang Terdaftar di Bursa Efek Jakarta", JAAI, Desember, Vol.7 No.2, pp 1-28

• Mahiarestya Widiaputri, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress pada Perusahaan Manufaktur yang Go Public", Tugas Akhir Jurusan Akuntansi Fakultas Ekonomi Universitas Pembangunan Nasional “Veteran” Jawa Timur, pp 62-99

• Mhd Hasymi, 2007, "Analisis Penyebab Kesulitan Keuangan (Financial distress) Studi Kasus pada Perusahaan Bidang Konstruksi PT. X", Tesis S2 Magister Sains Akuntansi Universitas Diponegoro Semarang, November, pp 33-54

• Mingoti, Sueli A. & Lima, Joab O., 2007, “Comparing SOM Neural Network with Fuzzy C-Means, K-Means and Traditional Hierarchical Clustering Algorithms”, European Journal of Operational Research 174 : 1742-1759

• Pungky Rionaldy, 2010, "Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial distress Pada Perusahaan Manufaktur yang Terdaftar Di Bursa Efek Indonesia", Skripsi Jurusan Akuntansi Fakultas Ekonomi Universitas Pembangunan Nasional “ Veteran “ Jawa Timur, Mei, pp 81 – 112

• Purnanandam, Amiyatosh., 2008, "Financial distress and Corporate Risk Management: Theory and Evidence", Journal of Financial Economics 87, pp 706-739

• Qiu, Dingxi, 2010, "A Comparative Study of K-Means Algortih and the Normal Mixture Model for Clustering: Bivariate Homoscedastic Case", Journal of Statistical Planning and Inference, Elsevier B.V, Issue 140, pp 1701-1711

• Santosa, Budi, 2007, “Data mining Terapan dengan MATLAB”, Edisi Pertama, Graha Ilmu, Yogyakarta

• Santosa, Budi, 2007, “DATA MINING: Teknik Pemanfaatan Data untuk Keperluan Bisnis”, Edisi Pertama, Graha Ilmu, Yogyakarta

• Sawir, Agnes, 2003, “Analisis Kinerja Keuangan dan Perencanaan Keuangan Perusahaan”, Cetakan Ketiga, Jakarta: PT Gramedia Pustaka Utama

• Wahyuni, Febriana Santi, 2009, “Penggunaan Cluster-Based Sampling Untuk Penggalian Kaidah Asosiasi Multi Obyektif”, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Institut Teknologi Nasional-Malang

• Whitaker, R. B, 1999, "The Early Stages of Financial distress". Journal of Economics and Finance, Volume 23: 123-133.

• http://www.investopedia.com/articles/fundamental/04/021104.asp#ixzz1hoUCmj5q diakses pada tanggal 23 September 2011

• http://www.idx.co.id diakses pada tanggal 18 April 2011

TERIMA KASIH

Pergerakan Klaster 1

0

0.5

1

1.5

2

2.5

3

Klaster 1 2008

Klaster 1 2007

Klaster 1 2006

Klaster 1 2005

Klaster 1 2004

Perusahaan Tahun 2004 Perusahaan Tahun 2005 Perusahaan Tahun 2006 Perusahaan Tahun 2007 Perusahaan Tahun 2008

PT Aneka Kemasindo

Utama Tbk

PT Aneka Kemasindo

Utama Tbk

PT Intanwijaya

Internasional Tbk

PT Betonjaya Manunggal

Tbk

PT Asahimas Flat Glass

Tbk

PT Betonjaya Manunggal

Tbk

PT Asahimas Flat Glass

TbkPT Jaya Pari Steel Tbk

PT Darya-Varia

Laboratoria Tbk

PT Betonjaya

Manunggal Tbk

PT Citra Tubindo TbkPT Betonjaya Manunggal

TbkPT Mustika Ratu Tbk

PT Eterindo Wahanatama

TbkPT Delta Djakarta Tbk

PT Delta Djakarta Tbk PT Delta Djakarta Tbk PT Sierad Produce Tbk PT Sumi Indo Kabel TbkPT Duta Pertiwi

Nusantara Tbk

PT Duta Pertiwi

Nusantara Tbk

PT Duta Pertiwi

Nusantara Tbk

PT Allbond Makmur

Usaha Tbk

PT Intanwijaya

Internasional Tbk

PT Darya-Varia

Laboratoria Tbk

PT Ekadharma

International Tbk

PT Eterindo Wahanatama

Tbk

PT Mandom Indonesia

TbkPT Jaya Pari Steel Tbk

PT Eterindo

Wahanatama Tbk

PT Intanwijaya

Internasional Tbk

PT Intanwijaya

Internasional Tbk

PT Kedaung Indah Can

TbkPT Sumi Indo Kabel Tbk

PT Lion Metal Works Tbk PT Jaya Pari Steel Tbk PT Kalbe Farma TbkPT Intanwijaya

Internasional Tbk

PT Merck Tbk PT Lion Metal Works Tbk PT Lion Metal Works Tbk PT Indocement Tunggal

PT Mustika Ratu Tbk PT Langgeng Makmur PT Merck Tbk PT Kedaung Indah Can

PT Pyridam Farma Tbk PT Merck Tbk PT Mustika Ratu Tbk PT Kalbe Farma Tbk

PT Roda Vivatex Tbk PT Mustika Ratu Tbk PT Sierad Produce Tbk PT Lion Metal Works

PT Allbond Makmur

Usaha TbkPT Pyridam Farma Tbk

PT Semen Gresik

(Persero) TbkPT Merck Tbk

PT Mandom Indonesia

TbkPT Roda Vivatex Tbk PT Sugi Samapersada Tbk PT Mustika Ratu Tbk

PT Tempo Scan Pacific

TbkPT Sierad Produce Tbk

PT Mandom Indonesia

TbkPT Roda Vivatex Tbk

PT Allbond Makmur

Usaha Tbk

PT Tempo Scan Pacific

TbkPT Sierad Produce Tbk

PT Sugi Samapersada Tbk PT Semen Gresik

PT Mandom Indonesia

Tbk

PT Taisho

Pharmaceutical

Indonesia Tbk

PT Tempo Scan Pacific PT Sugi Samapersada

PT Mandom Indonesia

PT Tempo Scan Pacific