Prakoso, Seftian Alung Qiu (2026) Evaluasi Financial Distress Menggunakan Model Gated Recurrent Unit (GRU) Dan Analisis Interpretasi Shapley Additive exPlanations (SHAP) (Studi Kasus Pada Perusahaan Manufaktur Di Bei Periode 2020-2025). Skripsi thesis, UPN Veteran Yogyakarta.
![[thumbnail of 123220112_Cover - Seftian Alung Qiu Prakoso.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
123220112_Cover - Seftian Alung Qiu Prakoso.pdf Download (317kB) |
|
Text
123220112_Abstrak - Seftian Alung Qiu Prakoso.pdf Download (95kB) |
|
Text
123220112_Halaman Pengesahan - Seftian Alung Qiu Prakoso.pdf Download (819kB) |
|
Text
123220112_Daftar Isi - Seftian Alung Qiu Prakoso.pdf Download (103kB) |
|
Text
123220112_Daftar Pustaka - Seftian Alung Qiu Prakoso.pdf Download (92kB) |
|
Text
123220112_Fulltext - Seftian Alung Qiu Prakoso.pdf Restricted to Repository staff only Download (4MB) |
Abstract
erusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) menghadapi
risiko financial distress yang dapat berujung pada delisting atau kebangkrutan apabila tidak
terdeteksi sejak dini. Pendekatan statistik konvensional seperti Altman Z-Score memiliki
keterbatasan dalam menangkap pola non-linear dari data keuangan historis, sementara model
Deep Learning berkinerja tinggi umumnya bersifat black-box sehingga tidak dapat
menjelaskan alasan di balik keputusan klasifikasinya. Ketiadaan transparansi ini menjadi
hambatan krusial bagi investor, auditor, dan regulator yang membutuhkan dasar analitis yang
dapat dipertanggungjawabkan dalam pengambilan keputusan finansial.
Penelitian ini mengembangkan sistem klasifikasi financial distress berbasis
arsitektur Gated Recurrent Unit (GRU) yang diintegrasikan dengan metode Explainable
Artificial Intelligence melalui SHapley Additive exPlanations (SHAP). Data yang digunakan
adalah laporan keuangan historis 237 perusahaan manufaktur di BEI periode 2020–2025
yang diekstraksi melalui API Yahoo Finance, dengan empat rasio keuangan sebagai fitur
prediktor yaitu Return on Assets (ROA), Debt to Asset Ratio (DAR), Current Ratio (CR),
dan Total Asset Turnover (TATO). Pelabelan target klasifikasi dilakukan menggunakan
formula Altman Z-Score manufaktur dengan ambang batas Z < 1.81 sebagai kondisi distress.
Model GRU dibangun menggunakan pendekatan sliding window 3 tahun untuk
mengevaluasi dan mengklasifikasikan status financial distress pada tahun target dengan
optimasi arsitektur melalui Grid Search berbasis Time Series Cross Validation, serta
penanganan ketidakseimbangan kelas menggunakan strategi class weighting.
Hasil pengujian pada testing set yang mencakup 237 sekuens dengan target tahun
2025 menunjukkan bahwa model GRU dengan class weighting mencapai Accuracy sebesar
90.72%, Recall sebesar 86.11%, F1-Score sebesar 84.93%, dan AUC-ROC sebesar 94.36%,
dengan keberhasilan mendeteksi 62 dari 72 perusahaan yang secara aktual mengalami
distress. Analisis SHAP pada level global mengungkap bahwa Return On Asset (ROA)
merupakan indikator paling dominan (Mean |SHAP| = 0.04870), diikuti Total Asset Turnover
(TATO) (0.043859), DAR (0.042685), dan CR (0.027531), menunjukkan bahwa tingkat
profitabilitas perusahaan merupakan indikator evaluasi risiko paling responsif pada sektor
manufaktur. Pada level lokal, interpretasi terhadap PT SLJ Global Tbk (SULI) membuktikan
bahwa SHAP mampu mengurai kontribusi spesifik setiap rasio secara individual,
menjadikan sistem klasifikasi ini tidak hanya akurat secara komputasi tetapi juga transparan
dan dapat dipertanggungjawabkan secara finansial.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Financial Distress, Gated Recurrent Unit, SHAP, Explainable Artificial Intelligence, Bursa Efek Indonesia |
| Subjek: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | UPA Perpustakaan |
| Date Deposited: | 08 Oct 2026 07:01 |
| Last Modified: | 08 Oct 2026 07:01 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/49620 |
Actions (login required)
 |
View Item |