PERPUSTAKAAN UNIVERSITAS TRILOGI

  • Beranda
  • E-Library
  • Informasi
  • Berita
  • Bantuan
  • Pustakawan
  • E-Resources
    Trilogi Free Journal Perpustakaan Nasional
      E-Resources Perpusnas Indonesia OneSearch
    Gale
      Business & Economic Science & Engineering Social & Humanities
  • Area Member
    Masuk Form Pengunjung
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Image of Analisis Keakuratan Prediksi Financial Distress dengan Metode Artificial Neural Network pada Sektor Properti yang Terdaftar di BEI Periode 2013-2018

Text

Analisis Keakuratan Prediksi Financial Distress dengan Metode Artificial Neural Network pada Sektor Properti yang Terdaftar di BEI Periode 2013-2018

Nita Indra Saphira - Nama Orang - Pengarang Utama; Rosalia Nansih Widhiastuti - Nama Orang - Pembimbing;

Sejak enam tahun terakhir, industri properti di Indonesia mengalami fluktuasi dan menyebabkan kinerja perusahaan yang bergerak pada sektor tersebut tidak stabil. Penelitian /ini menggunakan metode prediksi financial distress Altman (Z-Score) dan Zmijewski. Adapun komponan variabel yang dipakai adalah working capital, total assets, retained earnings, EBIT, MVE, total debts, EAT, current assets, dan current liabilities yang kemudian akan diolah kembali dengan metode data mining yaitu Artificial Neural Network (ANN). Di dalam penggunaan ANN, digunakan fungsi algoritma Levenberg-Marquardt (TRAINLM), fungsi pelatihan bobot yaitu penurunan gradien dengan momentum (LEARNGDM) dan MSE (Mean Squared Error) dalam memprediksi kebangkrutan pada perusahaan sektor properti yang terdaftar di Bursa Efek Indonesia (BEI) periode 2013 – 2018.
Hasil penelitian ini menunjukkan bahwa pelatihan ANN yang digunakan dalam proses prediksi pada penelitian ini menghasilkan kinerja pelatihan terbaik dengan arsitektur model yaitu 4 neuron pada input layer dan 6 neuron pada hidden layer dengan jumlah hidden layer sebanyak satu untuk metode Altman (Z-Score). Model pelatihan tersebut menghasilkan kinerja pelatihan dengan MSE terendah 0,0009 pada iterasi ke-57. Sementara untuk metode Zmijewski, model pelatihan tersebut menghasilkan kinerja pelatihan dengan MSE terendah 0,0470 pada iterasi ke-127.


Ketersediaan
SKR19/109SKR 19/109Prodi Manajemen (Ruang Skripsi & Tesis)Tersedia
Informasi Detail
Judul Seri
-
No. Panggil
SKR 19/109
Penerbit
Jakarta : Universitas Trilogi., 2019
Deskripsi Fisik
-
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
SKR
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
Finance--Management
Trilogi University--Management
Info Detail Spesifik
-
Pernyataan Tanggungjawab
Nita Indra Saphira
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Tidak Ada Data
Komentar

Anda harus masuk sebelum memberikan komentar

PERPUSTAKAAN UNIVERSITAS TRILOGI
  • Informasi
  • Layanan
  • Pustakawan
  • Area Anggota

Tentang Kami

Perpustakaan UNIVERSITAS TRILOGI merupakan Pusat Informasi dan sumber belajar yang mempunyai fungsi utamanya adalah menunjang pelaksanaan Tridharma Perguruan Tinggi yang meliputi pendidikan, penelitian dan pengabdian masyarakat. 

1. Membantu terlaksananya pendidikan dan pengajaran yang menuju suatu keahlian professional 

2. Menyediakan koleksi yang memadai demi terlaksananya penelitian terapan 

3. Menjadikan koleksinya sebagai penunjang pelaksanaan pengabdian kepada masyarakat.

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2025 — Senayan Developer Community

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik