HANDOKO, SAMITA LITUHAYU (2026) PREDIKSI OPINI GOING CONCERA PADA EMITEN SEKTOR ENERGI MENGUNAKAN MODEL MACHINE LEARNING CLASSIFICATION AND REGRESSION TREE - RECURRENT NEURAL NETWORKS (CART - RNN ). S1 thesis, UNIVERSITAS KHATOLIK SOEGIJAPRANATA.

Preview	Text 22.G5.0008 - SAMITA LITUHAYU HANDOKO_cover.pdf Download (768kB) | Preview
	Text 22.G5.0008 - SAMITA LITUHAYU HANDOKO_isi.pdf Restricted to Registered users only Download (2MB)
Preview	Text 22.G5.0008 - SAMITA LITUHAYU HANDOKO_dapus.pdf Download (786kB) | Preview
	Text 22.G5.0008 - SAMITA LITUHAYU HANDOKO_lamp.pdf Restricted to Registered users only Download (3MB)

Abstract

Opini going concern adalah sinyal yang diberikan auditor mengenai kemampuan perusahaan dalam mempertahankan kelangsungan usahanya. Namun, penilaian going concern yang masih bergantung pada pertimbangan profesional auditor berpotensi menimbulkan subjektivitas serta kesalahan Tipe I dan Tipe II. Penelitian ini bertujuan untuk menguji akurasi model Machine Learning Classification and Regression Tree – Recurrent Neural Network (CART-RNN) dalam memprediksi opini going concern pada emiten sektor energi yang terdaftar di Bursa Efek Indonesia (BEI). Penelitian ini menggunakan pendekatan kuantitatif dengan metode deskriptif-eksploratif. Data yang digunakan berupa laporan keuangan dan opini audit perusahaan sektor energi selama periode 2019-2024 dengan total 158 observasi yang diperoleh melalui metode purposive sampling. CART digunakan untuk seleksi variabel, dan hasilnya diproses menggunakan RNN untuk menghasilkan prediksi opini going concern. Hasil penelitian menunjukkan bahwa model CART-RNN mampu memberikan tingkat akurasi yang tinggi, dengan probabilitas Kesalahan Tipe I dan Tipe II yang rendah. Hasil ini menunjukkan bahwa penerapan Machine Learning dapat meningkatkan objektivitas dan kualitas evaluasi going concern dalam audit.

Actions (login required)

View Item