2020 : PENGEMBANGAN MODEL DINAMIS UNTUK PREDIKSI FINANCIAL DISTRESS DAN DEFAULT BERBASIS MODEL KLASIFIKASI DAN MODEL SURVIVAL DENGAN PENDEKATAN MACHINE LEARNING DAN STATISTICAL LEARNING

Santi Puteri Rahayu S.Si., M.Si., Ph.D
Dr. rer. pol. Dedy Dwi Prastyo S.Si., M.Si.

External link

Type

RESEARCH

Keywords

-


Abstract

Analisis dan prediksi financial distress dan default sangat penting untuk risk assessment pada menejemen risiko. Data yang digunakan untuk analisis tersebut dapat berupa data cross section atau data panel. Ketika data panel digunakan, maka lama waktu sampai terjadinya event (distress/default) dapat dihitung sebagai survival time sehingga pendekatan model survival dapat digunakan. Selain pendekatan kontinyu, analisis survival juga dapat diselesaikan dengan pendekatan diskrit. Pada pendekatan diskrit, variabel indikator yang menyatakan pengamatan individu tersensor atau tidak bersifat biner, sehingga pada setiap titik pengamatan waktu status tersensor atau survive dapat dipandang sebagai kelas dari nilai variabel respons pada metode klasifikasi. Hal ini memungkinkan data survival dapat dianalisis dengan pendekatan metode klasifikasi. Sampai saat ini, pendekatan metode klasifikasi untuk analisis survival masih terbatas pada kovariat yang statis. Sedikit sekali penelitian yang menerapkan pendekatan klasifikasi pada data dengan kovariat dinamis terhadap waktu. Pada kenyatannya, data survival pada kasus ekonomi dan finansial maupun pada studi longitudinal sering kali mempunyai kovariat yang bersifat dinamis terhadap waktu. Berdasarkan hal tersebut, maka penelitian ini akan membangan model klasifikasi dan model survival dengan kovariat yang dinamis menggunakan pendekatan machine learning dan statistical learning. Model klasifikasi yang digunakan adalah model regresi logistik dan multi-period logit serta Generalized Extreme Value Regression (GEVR) dan multi-period GEVR sebagai pendekatan diskrit. Model Cox dengan kovariat dinamis digunakan sebagai pembanding dari pendekatan kontinyu. Pendekatan Machine Learning yang digunakan adalah Support Vector Machines (SVMs) dengan input dinamis. Lebih lanjut, pada model klasifikasi dan model survival biasanya kovariat sebagai input dipilih secara priory dan diasumsikan sebagai faktor resiko yang relevan dan dapat menjelaskan fungsi survival dan fungsi hazard dengan baik, padahal belum tentu demikian. Oleh sebab itu, diperlukan metode pemilihan kovariat yang relevan bersamaan dengan proses penaksiran parameter. Pada penelitian ini, pemilihan kovariat yang relevan akan digunakan pendekatan regularisasi, yaitu dengan penambahan fungsi penalti pada fungsi resiko sehingga fungsi tujuan yang baru dapat mengakomodasi prosedur pemilihan input. Hasil dari penelitian ini adalah publikasi makalah pada jurnal internasional bereputasi dengan kategori Q2. Kata kunci: multi-period logit, multi-period GEVR, support vector machine, seleksi input, regularisasi.