01
Data Keuangan
Input Data dari Laporan Keuangan
Masukkan angka persis seperti yang tertera di laporan keuangan OJK/XBRL. Satuan dan mata uang akan dikonversi secara otomatis di langkah berikutnya.
CR = CA / CL
LEV = TL / TA
ATO = Sales / TA
ROA = NI / TA
ROE = NI / Equity
WC = CA − CL
Form Input Data
Laporan Posisi: Jumlah aset
Jumlah aset lancar
Jumlah liabilitas jangka pendek
Jumlah liabilitas
Laba Rugi: Penjualan dan pendapatan usaha
"Laba diatribusikan ke entitas induk" — bukan total/komprehensif
"Jumlah ekuitas ke pemilik entitas induk" — bukan total equity
Data tersimpan di database
Belum ada data…
Tabel Data Mentah
0 baris
— satuan & mata uang asli dari PDF
| Kode Saham | Tahun | Periode | Mata Uang | Satuan | Total Aset | Aset Lancar | Liab. Lancar | Total Liab. | Penjualan | Laba Bersih | Ekuitas | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Belum ada data yang diinput | ||||||||||||
0 baris data siap dikonversi ke IDR
02
Konversi & Cleaning
Normalisasi Data ke IDR Ribuan
Semua nilai dikonversi ke satuan yang sama sebelum rasio dihitung. USD → IDR (kurs 17.329), satuan (Ribuan/Jutaan) distandarkan ke IDR Ribuan.
Strategi Penanganan Outlier
⚠ Data terbatas — pilih strategi dengan hati-hati
Nonaktif: Tidak ada batas outlier — semua data digunakan. Direkomendasikan bila data terbatas (<50 baris). Distribusi akan tetap apa adanya.
Konversi selesai? Lanjut ke eksplorasi data
03
Eksplorasi Data (EDA)
Analisis Eksplorasi & Korelasi
Statistik deskriptif, distribusi variabel, heatmap korelasi, scatter plot, dan Variance Inflation Factor (VIF) untuk deteksi multikolinearitas.
Statistik Deskriptif
| Variabel | N | Mean | Std | Min | Q1 | Median | Q3 | Max | Skewness |
|---|
Correlation Matrix (Pearson)
CR vs ROA
LEV vs ROE
ATO vs ROA
Variance Inflation Factor (VIF) — Uji Multikolinearitas
| Fitur | VIF | Status | Interpretasi | Aksi |
|---|
EDA selesai? Lanjut ke training model
04
Training Model
Konfigurasi & Training ML
Pilih target prediksi, model yang akan diuji, proporsi data training vs testing, dan strategi hyperparameter tuning.
Target Prediksi (Variabel Dependen Y)
Model Machine Learning
Fitur X: Current Ratio, Leverage (DAR), Asset Turnover, Working Capital — semua di-standardize (z-score) sebelum training
Catatan: SVR/KRR mengimplementasikan Kernel Ridge Regression dengan kernel RBF — setara SVR loss kuadratik. MLR = OLS tanpa regularisasi. Ridge = OLS dengan L2. XGBoost menggunakan pendekatan boosting dengan regularisasi L2 pada leaf nodes.
Train / Test Split — Pembagian Data
80%
Training
Model belajar dari data ini
20%
Testing
Evaluasi — tidak dilihat saat training
💡 60/40 → data <20 baris | 70/30 → standar | 80/20 → default | 90/10 → data >100 baris
Hyperparameter Tuning
Filter Periode (opsional — default: semua)
Training selesai? Lihat hasil di Langkah 5
05
Hasil & Prediksi
Hasil Training & Forecasting
Perbandingan performa model (R², RMSE, MAE, MAPE), visualisasi, feature importance, dan prediksi ROA/ROE untuk 3 tahun ke depan.
Jalankan training terlebih dahulu di Langkah 4 untuk melihat hasil prediksi.
Perbandingan Performa Model
Actual vs Predicted
Residual Plot
Feature Importance
Perbandingan Model (R²)
Forecasting 3 Tahun ke Depan
Tren Historis + Prediksi Masa Depan
| Periode | Perusahaan | Tahun | Tipe | Nilai Prediksi | Nilai Aktual | APE (%) | Model |
|---|
Ringkasan Hyperparameter Terbaik
| Model | Best Params | R² Train | R² Test | RMSE | Tuned? |
|---|
| Param | Value | R² CV | Rank |
|---|
Tuning Detail Chart