MDA dianggap teknik
yang paling populer digunakan untuk menganalisis kebangkrutan (Perez 2006).
Keuntungan utama dari pendekatan MDA untuk memprediksi perusahaan gagal ialah kemampuannya
untuk mengurangi masalah multi dimensional untuk skor tunggal dengan tingkat
akurasi yang tinggi. Namun, MDA tunduk pada sejumlah asumsi pembatas. Pertama,
MDA membutuhkan set keputusan yang digunakan untuk membedakan antara perusahaan
gagal agar dapat secara linear dipisahkan. Kedua, MDA tidak memungkinkan sinyal
rasio yang tergantung pada hubungannya dengan rasio yang lain, atau set rasio
(Veal 2000). Dalam prakteknya, rasio itu mungkin menandakan kesulitan keuangan
jika tinggi atau lebih rendah dari normal. Masalah-masalah ini bersama-sama
dengan isu-isu seperti, bias titik data ekstrim, asumsi multivariat normalitas
dan sama varians kelompok, dapat memastikan MDA yang cocok dengan sifat yang
kompleks, batas-batas dan hbungan dalam rasio keuangan (Coats & Fant 1993).
Analisis Partisi
Rekursif menghilangkan banyak masalah statistik dari analisis diskriminan,
seperti asumsi distribusi yang terkait dengan variabel bebas atau tergantung.
Ketika probabilitas dan biaya kesalahan ditentukan, metode itu dapat meminimalkan
biaya kesalahan klasifikasi. Asumsi utama untuk RPA adalah bahwa variabel yang
menggambarkan kelompok pengamatan yang diskrit, tidak tumpang tindih dan dapat
diidentifikasi (Altman 1993). Ada bukti bahwa model RPA lebih unggul dari model
MDA meskipun variasi dalam akurasi tidak ditandai (Frydman, Altman & Kao
1985).
Analisis regresi
logistik memiliki keuntungan yang kurang terpengaruh dibandingkan analisis
diskriminan, ketika asumsi dasar, seperti normalitas variabel dilanggar (Altman
1993). Namun, mirip dengan analisis diskriminan, daya prediksi mereka sensitif
terhadap waktu. Dengan menggunakan analisis diskriminan linier dan analisis
logit, Hamer (1993) mencatat tingkat kesalahan klasifikasi lebih rendah dari
yang diharapkan secara kebetulan, untuk masing-masing tiga tahun sebelum
kegagalan perusahaan. Pada tahun keempat dan kelima model ini menghasilkan
tingkat tinggi kesalahan klasifikasi.
Keuntungan dari
Jaringan Syaraf Tiruan adalah mereka tidak memerlukan prakualifikasi dari
bentuk fungsional, atau adopsi asumsi pembatasan tentang karakteristik
distribusi statistik dari variabel dan kesalahan dalam model. Berdasarkan sifatnya,
sistem ANN mampu bekerja dengan variabel tak tepat dan dengan model terus
berubah dari waktu ke waktu. Mereka juga mampu beradaptasi dengan munculnya
kasus baru yang merupakan perubahan situasi (Altman di aL 1993). Namun, ulasan
pada keakuratan jaringan saraf masih sedikit. Dorsey et al (1995) menyatakan
bahwa ANN lebih akurat daripada RPA. Nag (1991) mengamati bahwa sementara
kesalahan prediksi ANN dianggap lebih rendah daripada model regresi berganda,
autokorelasi residu dari jaringan saraf yang lebih tinggi, menunjukkan bahwa
kinerjanya belum tentu lebih unggul. Namun, Odom & Shards (1990), Wilson
dan pecahan (1994), Altman (1993) dan Trippi dan Turban (1996) semuanya
menemukan bahwa ANN lebih unggul daripada MDA.
BERSAMBUNG KLIK DISINI
Tidak ada komentar:
Posting Komentar