sehingga lahirlah opini banci atau opini unqualified dengan tambahan paragraf penjelas mengenai kondisi ekonomi.

Transkripsi

1 OPINI KELANGSUNGAN HIDUP PERUSAHAAN (GOING CONCERN) PADA PERUSAHAAN PERBANKAN DI INDONESIA DENGAN PENDEKATAN ADAPTIVE NEURO FUZZY INFEREENCE SYSTEM PASCA TERBITNYA IPSA 30.1 Muhammad Arifin (Fakultas Ekonomi - Universitas Gunadarma) m.arifin@student.gunadarma.ac.id dan Dr. Armaini Akhirson, SE., MMA (Dosen Pembimbing - Universitas Gunadarma) armaini@staff.gunadarma.ac.id ABSTRAKSI Semakin berkembangnya kegiatan perekonomian seperti sekarang ini. Para pemakai laporan keuangan, dalam hal ini adalah investor terkadang tidak dapat memahami makna yang terkandung dalam laporan keuangan yang dibuat perusahaan. Investor akan lebih mudah membaca serta lebih mempercayai laporan keuangan auditan. Penelitian ini bertujuan untuk mengamati pemberian asumsi going concern (variabel output) sehingga bisa dinilai dengan mengamati lima variabel yang digunakan oleh auditor dalam pemberian asumsi going concern suatu perusahaan yaitu LDR, DER, ROA, Pertumbuhan Laba dan Z-Score (variabel input). Populasi dari penelitian ini adalah perusahaan perbankan yang terdaftar di Bursa Efek Indonesia periode Total sampel penelitian ini adalah 15 perusahaan yang ditentukan melalui purpose sampling. Alat analisa yang digunakan adalah adaptive neuro fuzzy inference system. Pendekatan adaptive neuro fuzzy merupakan perpaduan antara jaringan syaraf tiruan dan logika fuzzy. Keseluruhan analisa serta persiapan variabel dilakukan dengan bantuan Matlab R2010b. Berdasarkan analisa yang sudah dilakukan, sistem fuzzy menghasilkan 6 aturan fuzzy yang bisa mendefinisikan kelakuan input-output. Hasil dari penelitian ini menunjukan tingkat akurasi yang cukup tinggi dengan rata-rata tingkat error mampu mencapai 0 yaitu 0,5364 setelah itu di uji dengan sampel 5 perusahaan perbankan yaitu Bank Nusantara Parahyangan, Bank Pan Indonesia, Bank Permata, Bank Rakyat Indonesia dan Bank Victoria Internasional pada periode selanjutnya dibuat suatu aplikasi berbasis GUI yang dapat digunakan oleh user dengan praktis dan mudah dipahami. Kata kunci: Fuzzy, ANFIS, Asumsi Going Concern, LDR, DER, ROA, Pertumbuhan laba, Z-Score.

2 PENDAHULUAN Semakin berkembangnya kegiatan perekonomian seperti sekarang ini menyebabkan persaingan dalam dunia usaha menjadi bertambah ketat. Perusahaan yang tidak mampu bersaing maka tidak akan bertahan dan akan tersingkir dari dunia usaha yang dijalankannya. Hal ini berkaitan dengan salah satu tujuan yang penting dan harus diusahakan oleh semua jenis usaha yaitu mempertahankan kelangsungan hidup perusahaan dalam jangka waktu yang lama (going concern). Para pemakai laporan keuangan, dalam hal ini adalah investor terkadang tidak dapat memahami makna yang terkandung dalam laporan keuangan yang dibuat perusahaan. Investor akan lebih mudah membaca serta lebih mempercayai laporan keuangan auditan. Laporan Auditor Independen yang memuat opini atas laporan keuangan perusahaan akan digunakan sebagai pertimbangan bagi pihak pihak yang berkepentingan, terutama bagi investor untuk menentukan investasi yang akan ditanam. Oleh karena itu, auditor sangat diandalkan dalam memberikan informasi yang relevan bagi investor (Levitt, 1998 dalam Solikah, 2007). Di Indonesia pernah dikeluarkan IPSA 30.1 tentang, Laporan Auditor Independen tentang Dampak Memburuknya Kondisi Ekonomi Indonesia terhadap Kelangsungan Hidup Entitas. IPSA 30.1 adalah interpretasi atas PSA 30 tentang, Pertimbangan Auditor atas Kemampuan Entitas dalam Mempertahankan Kelangsungan Hidupnya yang berlaku efektif sejak 2 Maret 1998 sebagai akibat dari memburuknya kondisi ekonomi. Berdasarkan teori akuntansi keuangan, tidak mungkin akuntan publik memberikan opini wajar tanpa pengecualian (unqualified opinion) atas laporan keuangan yang disusun dengan asumsi dan basis pencatatan tidak jelas. Tapi disisi lain muncul pertanyaan: basis pencatatan apakah yang digunakan? Apakah basis akrual atau likuidasi? Jika digunakan basis likuidasi pada saat krisis ekonomi berlangsung. Jika demikian, apakah semua opini audit yang diberikan atas laporan keuangan entitas-entitas bisnis disclamer? Pada saat itu muncul pemikiran mengenai kemungkinan mengeluarkan unqualified opinion tanpa mengabaikan aspek going concern entitas bisnis,

3 sehingga lahirlah opini banci atau opini unqualified dengan tambahan paragraf penjelas mengenai kondisi ekonomi. Opini audit dengan modifikasi mengenai going concern mengindikasikan bahwa dalam penilaian auditor terdapat resiko perusahaan tidak dapat bertahan dalam bisnis normal. Di lain pihak, perusahaan yang mempunyai kondisi keuangan yang baik atau sehat memperoleh opini standart atau pendapat wajar tanpa pengecualian. Dari sudut pandang auditor, keputusan tersebut melibatkan beberapa tahapan analisis. Auditor harus mempertimbangkan hasil dari operasi, kondisi ekonomi yang mempengaruhi perusahaan, kemampuan perusahaan dalam membayar hutang, dan kebutuhan likuiditas dimasa yang akan datang (Lenard et.al., 1998 dalam Solikah, 2007). Likuidasi bank oleh pemerintah yang terjadi pada tahun 1997 merupakan fakta keterpurukan bisnis perbankan di Indonesia. Kenyataan bahwa bank yang dinilai sehat dan memiliki likuiditas yang baik pun pada akhirnya dilikuidasi. Hal ini menunjukkan diperlukan ketepatan prediksi mengenai analisa kelangsungan usaha bank. Salah satunya adalah dengan opini audit yang diberikan auditor. Opini audit mengenai going concern mengindikasikan bahwa suatu entitas dianggap tidak mampu mempertahankan kelangsungan usahanya dalam jangka waktu yang pantas oleh auditor. Proses penalaran merupakan bagian yang sangat penting dalam sistem cerdas. Salah satu cara untuk menentukan asumsi going concern perusahaan berdasarkan faktor-faktor diatas adalah dengan model Adaptive Neuro Fuzzy Inference System (ANFIS). Penelitian ini untuk mengetahui pemberian asumsi going concern yang diberikan oleh auditor sudah tepat atau tidak. Dengan melakukan pendekatan Adaptive Neuro Fuzzy Inference System (ANFIS) sebagai alat pengambil keputusan dan membuat suatu aplikasi yang dapat membantu auditor dan pihakpihak yang berkepentingan dalam mengasumsikan going concern suatu perusahaan khususnya perbankan.

4 TINJAUAN PUSTAKA Going Concern Going concern menurut Belkaoi (1997) adalah suatu dalil yang menyatakan bahwa kesatuan usaha akan menjalankan terus operasinya dalam jangka waktu yang cukup lama untuk mewujudkan proyeknya, tanggung jawab serta aktivitas-aktivitasnya yang tidak berhenti. Going concern merupakan asumsi dalam pelaporan keuangan suatu entitas sehingga jika suatu entitas mengalami kondisi yang berlawanan dengan asumsi kelangsungan usaha, maka entitas tersebut menjadi bermasalah. Kajian atas going concern dapat dilakukan dengan melihat kondisi internal perusahaan dan prospek perusahaan dimasa mendatang. Prediksi tentang kemungkinan bangkrut atau tidaknya suatu perusahaan termasuk salah satu komponen keputusan tentang going concern (Lenard et al., 2000 dalam Solikah, 2007). Suatu entitas dianggap going concern apabila perusahaan dapat melanjutkan operasinya dan memenuhi kewajibannya. Apabila perusahaan dapat melanjutkan usahanya dan memenuhi kewajibannya dengan menjual aset dalam jumlah yang besar, perbaikan operasi yang dipaksakan dari luar, merestrukturisasi hutang, atau dengan kegiatan serupa yang lain, hal yang demikian akan menimbulkan keraguan besar terhadap going concern perusahaan. Berdasarkan penelitian, analisa rasio keuangan merupakan cara yang paling banyak digunakan dalam memprediksi corporate failure (Marisi P. Purba, 2009). Beberapa rasio keuangan yang biasa digunakan para praktisi audit adalah sebagai berikut: LDR = Kredit Dana Pihak Ketiga DER = Total hutang Ekuitas Pemegang Saham

5 ROA = Net Income Total Asset Analisa fluktuasi saldo adalah analisa atas naik turunya saldosaldo yang ada pada laporan keuangan. Analisa sering dilakukan dengan melakukan perbandingan saldo tahun berjalan dengan saldo tahun sebelumnya dan melihat persentase kenaikan atapun penurunan (Marisi P. Purba, 2009). Analisa fluktuasi saldo yang digunakan oleh penulis adalah sebagai berikut: Pertumbuhan Laba Bersih = Laba bersih t - Laba bersih t-1 Laba bersih t-1 Beberapa ahli pernah mengembangkan model keuangan untuk mengukur tingkat kegagalan usaha yang dikenal dengan financial distress model: Model keuangan ini pada dasarnya banyak menggunakan kombinasi rasio-rasio keuangan untuk menghasilkan skor tertentu. Para ahli tersebut adalah Edward Altman, Ohlson dan Zmijewski. Financial distress model tidak dapat dijadikan kesimpulan bagi auditor eksternal, melainkan hanyalah sebagai alat bantu. Namun dari sedemikian banyak financial distress model, Z-Score model yang dikembangkan oleh Edward Altman adalah model model yang paling akurat dalam memprediksi kegagalan usaha. Z = 6,56 Modal Kerja Bersih + 3,26 Akumulasi Laba Ditahan Jumlah Aktiva Jumlah Aktiva + 1,05 Laba sebelum Bunga dan Pajak + 6,72 Nilai BukuEkuitas Jumlah Aktiva Jumlah Kewajiban

6 Keterangan: Z < 1,23 Mengindikasikan Prediksi Pailit 1,23 > Z < 2,90 Mengindikasikan Gray Area Dan Z > 2,90 mengindikasikan prediksi tidak pailit. Dari uraian diatas maka kerangka berpikir dapat digambarkan seperti pada gambar dibawah ini: CAMELS PROSEDUR ANALITIK (Marisi P. Purba, 2009) LDR DER ROA PERTUMBUHAN LABA Z-SCORE LIKUID TINGGI TINGGI NAIK BANGKRUT, ATAU ATAU ATAU ATAU GRAY AREA ILIKUID RENDAH RENDAH TURUN SEHAT ADAPTIVE NEURO FUZZY INFERENCE SYSTEM APLIKASI ASUMSI GOING CONCERN ANFIS (Adaptive Neuro Fuzzy Inference System) ANFIS adalah suatu metode yang mana dalam melakukan penyetelan aturan, digunakan algoritma pembelajaran terhadap sekumpulan data (Sri Kusumadewi, 2002, 207). Bentuk fungsi keanggotaan pada ANFIS tergantung pada parameter. Dengan mengubah salah satu parameter, akan berpengaruh pada perubahan fungsi keanggotaan yang pada akhirnya akan mengubah bentuk pemetaan dari input menjadi output.

7 METODE PENELITIAN Objek penelitian dan sumber data Sampel dalam penelitian ini adalah perusahaan perbankan yang terdaftar dalam Bursa Efek Indonesia pada tahun Dipilihnya sebagai tempat penelitian karena BEI merupakan bursa pertama di Indonesia yang dianggap memiliki data yang lebih lengkap dan telah terorganisasi dengan baik. Teknik penarikan sampel dalam penelitian ini adalah menggunakan metode purposive judgement sampling yaitu pemilihan sampel atas dasar kesesuaian antara karakteristik sampel dengan kriteria pemilihan sampel yang telah ditentukan. Sampel yang dipilih dalam penelitian ini adalah perusahaan perbankan yang terdaftar dalam Bursa Efek Indonesia pada tahun ALAT ANALISIS Variabel yang digunakan yaitu variable output asumsi going concern dan variable input yaitu LDR, DER, ROA, pertumbuhan laba, dan Z-SCORE. Alat analisis yang digunakan yaitu menggunakan ANFIS (Adaptive Neuro Fuzzy Inference System). HASIL DAN PEMBAHASAN 1. Pengumpulan Data 120, ,000 80,000 60,000 40,000 20,000 0,000 LDR INPC BBKP BACA BBCA BDMN SDRA BNII BMRI MEGA BBNI BBNP PNBN BNLI BBRI BVIC Gambar 1: Loan to Deposit Rasio (LDR)

8 Gambar 2: Debt to Equity Rasio (DER) Gambar 3: Return on Assets (ROA)

9 Gambar 4: Pertumbuhan Laba Bersih Gambar 5: Financial Distress Model (Z-SCORE)

10 Asumsi Going Concern Asumsi going concern Tahun 2007 Tahun 2008 Tahun 2009 Tahun 2010 Tahun 2011 Total S % S % S % S % S % S % GCAO 14 93, , , , NGCAO 1 6,7 1 6,7 2 13,3 2 13, Total Sumber : data diolah Dari ke-enam variabel yang ada, yaitu loan to deposit (LDR), debt to equity ratio (DER), return on assets (ROA), Pertumbuhan laba bersih, Z -score dan asumsi going concern, maka ke-enam variabel tersebut disusun kedalam matriks berukuran 75x6 (75 baris dan 6 kolom). Data disusun berurutan sesuai definisi variabel input dan outputnya. 2. Pembagian Data Untuk Training dan checking Setelah terkumpul semua data yang diperlukan dalam bentuk matriks, maka selanjutnya matriks tersebut dibagi dua yaitu data untuk training dan data untuk checking. Proses training data menggunakan 50 data dan 25 data terakhir merupakan data checking. 3. Setting Parameter dan Pembentukan Fuzzy Model Dengan melihat data yang berukuran 75x6 maka untuk menghindari curse of dimentionality, oleh sebab itu pengidentifikasian aturan fuzzy serta setting parameter dalam pembentukan aturan fuzzy inference system dalam penelitian ini menggunakan algoritma subtractif clustering. Clustering ini digunakan untuk mengidentifikasi aturan-aturan fuzzy yang bisa memodelkan kelakuan hubungan data input-output dengan jumlah rule minimum.

11 Dengan menetapkan radius sebesar 0,5 accept ratio sebesar 0,5 dan reject ratio sebesar 0,15, maka terdapat 4 data pusat cluster dari matriks berukuran 75x6. Output Subtractive Clustering Cluster Input 1 Input 2 Input 3 Input 4 Input 5 Output 1 Cluster 1 55,500 8,498 0,026 0,246 5,975 1 Cluster 2 68,610 12,072 1,120 0,361 0,924 1 Cluster 3 84,049 15,024 0,003 0,914 0,838 1 Cluster 4 50,300 9,137 3,400 0,178 6,777 1 Cluster 5 88,010 9,437 0,650-0,418 0,939 0 Cluster 6 99,400 4,494 0,024 0,156 1,689 1 Sumber : data diolah Dari tabel output subtractive clustering diatas, terlihat bahwa terdapat enam pusat cluster yang akan membentuk beberapa rule yaitu: [R1] If (LDR is in1cluster1) and (DER is in2cluster1) and (ROA is in3cluster1) and (PERTUMBUHAN_LABA_BERSIH is in4cluster1) and (Z -SCORE is in5cluster1) then (ASUMSI_GOING_CONCERN is out1cluster1). [R2] If (LDR is in1cluster2) and (DER is in2cluster2) and (ROA is in3cluster2) and (PERTUMBUHAN_LABA_BERSIH is in4cluster2) and (Z -SCORE is in5cluster2) then (ASUMSI_GOING_CONCERN is out1cluster2). [R3] If (LDR is in1cluster3) and (DER is in2cluster3) and (ROA is in3cluster3) and (PERTUMBUHAN_LABA_BERSIH is in4cluster3) an d (Z -SCORE is in5cluster3) then (ASUMSI_GOING_CONCERN is out1cluster3). [R4] If (LDR is in1cluster4) and (DER is in2cluster4) and (ROA is in3cluster4) and (PERTUMBUHAN_LABA_BERSIH is in4cluster4) and (Z -SCORE is in5cluster4) then (ASUMSI_GOING_CONCERN is out1cluster4).

12 [R5] If (LDR is in1cluster5) and (DER is in2cluster5) and (ROA is in3cluster5) and (PERTUMBUHAN_LABA_BERSIH is in4cluster5) and (Z -SCORE is in5cluster5) then (ASUMSI_GOING_CONCERN is out1cluster5). [R6] If (LDR is in1cluster6) and (DER is in2cluster6) and (ROA is in3cluster6) and (PERTUMBUHAN_LABA_BERSIH is in4cluster6) and (Z -SCORE is in5cluster6) then (ASUMSI_GOING_CONCERN is out1cluster6). Selanjutnya dari proses checking data akan diperoleh hasil output asumsi ANFIS yang dapat dibandingkan dengan output asumsi aktual. Output asumsi ANFIS ini akan menggambarkan seberapa besar keakuratan ANFIS dalam mengasumsikan output, perbandingan tersebut adalah sebagai berikut : Hasil Pengecekan Data NO BANK TAHUN 1 BANK NUSANTARA PARAHYANGAN BANK PAN INDONESIA BANK PERMATA BANK RAKYAT INDONESIA 2007 ASUMSI ASUMSI ERROR AKTUAL ANFIS 1 1,127-0, ,231-0, ,165-0, ,885 0, ,047-1, ,856 0, ,641-0, ,340-0,34 1 1,051-0, ,046-1, ,351-1, ,539-0, ,261-0, ,152-0, ,025-0, ,193-1,193

13 BANK VICTORIA INTERNASIONAL ,620-0,62 1 1,234-0, ,334-0, ,965 0, ,108-0, ,968 0, ,124-0, ,362-0, ,044-0,044 Dari tabel diatas, dapat dihitung bahwa nilai rata-rata error sebesar 0,5364 hal ini menggambarkan hasil asumsi dari data yang sudah ditraining dengan ANFIS bisa dikatakan memiliki tingkat akurasi hasil yang cukup tinggi. 0,5 0-0, ,5-2 Error Dari tabel diatas, dapat dilihat error negatif terkecil adalah -0,025 dan positif terkecil adalah 0,032. Error negatif terkecil terjadi pada vektor bank permata pada tahun 2011 yang mana asumsi aktual menunjukan 0 sedangkan asumsi ANFIS 0,025, hal ini menunjukan bahwa bank permata pada tahun 2011 dianggap non going concern, hal ini dilihat dari hasil perhitungan variabelvariabel yang mempengaruhi pemberian asumsi going concern antara lain: LDR

14 87,500, DER 10,090, ROA 0,011, pertumbuhan laba bersih 0,144 dan Z-Score 0,787. Error positif terkecil pada vektor bank victoria internasional pada tahun 2008 yang mana asumsi aktual menunjukan 1 sedangkan asumsi ANFIS 0,968. Dari hasil tersebut menunjukan bahwa bank victoria internasional going concern menurut asusmsi aktual sedangkan menurut ANFIS non going concer. hal ini dilihat dari hasil perhitungan variabel-variabel yang mempengaruhi pemberian asumsi going concern antara lain: LDR 53,460, DER 9,655, ROA 0,880, pertumbuhan laba bersih -0,228 dan Z-Score 0,963. Hal ini disebabkan asumsi ANFIS hanya melihat dari variabel input berbeda dengan asumsi aktual yang dikeluarkan oleh auditor eksternal. Auditor eksternal telah melakukan wawancara kepada pihak-pihak manajemen perusahaan untuk memperoleh informasi mengenai rencana manajemen yang ditujukan untuk mengurangi dampak kondisi non going concern dan menurut auditor eksternal rencana manajemen dianggap mampu untuk mempertahankan kelangsungan hidup perusahaannya untuk masa yang akan datang (going concern). 4. Aplikasi ANFIS Asumsi Going Concern Dari hasil pengecekan atas model yang telah dibuat sebelumnya, maka dapat dibuat aplikasi ANFIS berbasis GUI. Berikut adalah aplikasi ANFIS berbasis GUI yang dapat mengasumsikan going concern :

15 KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil perhitungan variabel LDR, DER, ROA, Pertumbuhan laba, Z-Score dan pengamatan asumsi going concern pada sampel penelitian ini secara keseluruhan menunjukan hasil cukup baik. Berdasarkan hasil pengujian terhadap sampel hasil penelitian dengan menggunakan ANFIS menunjukan permodelan ANFIS menghasilkan 6 aturan fuzzy yang bisa memodelkan kelakuan variabel input (LDR, DER, ROA, Pertumbuhan Laba dan Z-Score) terhadap variabel output (asumsi going concern). Berdasarkan hasil pengujian terhadap sampel hasil penelitian dengan menggunakan ANFIS menunjukan perbandingan keakurasian antara asumsi ANFIS dengan asumsi AKTUAL sudah cukup baik, hal ini dibuktikan dengan rata-rata tingkat selisih error mampu mencapai 0 yaitu sebesar 0,5364. Berdasarkan hasil pengujian terhadap sampel hasil penelitian dengan menggunakan ANFIS. Data training berhasil diuji dengan baik, hal ini ditunjukan dengan hasil output checking data yaitu selisih error negatif terkecil sebesar - 0,025 dan error positif terkecil sebesar 0,032. Berdasarkan hasil pengecekan atas model yang telah dibuat sebelumnya, maka dapat dibuat aplikasi ANFIS berbasis GUI yang dapat digunakan oleh user dengan praktis dan mudah dipahami. Saran Berdasarkan hasil penelitian ini, maka saran yang dapat diberikan oleh penulis adalah: 1) Menambahkan variabel tambahan seperti penilaian terhadap rencana manajemen, rasio keuangan lainnya yang lebih menyeluruh sehingga hasil penelitian lebih mampu memprediksi asumsi going concern dengan lebih tepat dan akurat. 2) Meski tingkat keakurasian hasil estimasi cukup baik dengan tingkat rata-rata selisih error sebesar 0,5364, namun masih terdapat beberapa

16 pasang input-output yang mengalami error yang tinggi, kedepannya diharapkan untuk memperbaiki atau memperkecil tingkat rata-rata selisih error tersebut. 3) Dari hasil pembahasan, error terkecil yang timbul lebih disebabkan oleh faktor diluar variabel pengamat, seperti penilaian terhadap rencana manajemen. Penulis mengharapkan kedepannya untuk menambahkan variabel-variabel yang dapat mengasumsikan going concern lebih tepat sehingga penelitian selanjutnya bisa mendapatkan hasil yang sempurna. DAFTAR PUSTAKA Arens dan Loebecke Auditing Pendekatan Terpadu. Edisi Indonesia. Jakarta : Salemba Empat. Belkaoui, Ahmed. R Teori Akuntansi. Edisi Terjemahan. Jilid 1. Jakarta : Salemba Empat Kasmir Bank dan Lembaga Keuangan Lainnya. Edisi 6 Cetakan 6. Jakarta: PT. RajaGrafindo Persada. Kusumadewi, Sri Analisis & Desain Sistem Fuzzy (Menggunakan Toolbox MATLAB). Graha Ilmu. Yogyakarta. Kusumadewi, Sri dan H. Purnomo Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta. Laporan Keuangan Auditan Beserta Laporan Auditor Independen Mulyadi Auditing. Buku 2. Yogyakarta : Salemba Empat. Munawir Analisa Laporan Keuangan. Edisi 4 Cetakan 5. Yogyakarta: Liberty. Naba, Agus Yogyakarta Belajar Cepat Fuzzy Logic Menggunakan MATLAB. Andi. Noverio, Rezkhy Analisis Pengaruh Kualitas Auditor, Likuiditas, Profitabilitas dan Solvabilitas Terhadap Opini Audit Going Concern Pada Perusahaan Manufaktur yang Terdaftar di Bursa Efek Indonesia. Skripsi, Fakultas Ekonomi Universitas Diponegoro.

17 P.Purba, Marisi Asums Going Concern: Suatu Tinjauan Terhadap Dampak Krisis Keuangan Atas Opini Audit dan Laporan Keuangan. Edisi 1 Cetakan 1. Bandung, Graha Ilmu. Pratama, Ary Opini Audit Going Concer: Kajian Berdasarkan Model Prediksi Kebangkrutan, Pertumbuhan Perusahaan, Leverage dan Reputasi Auditor. Jurnal, Fakultas Ekonomi Universitas Udayana. Prabowo, Pudjo dan Rahmadya Trias Handayanto Penerapan Soft Computing dengan MATLAB. Rekayasa Sains. Bandung. Santosa, Fajar Analisis Faktor-Faktor Yang Mempengaruhi Kecenderungan Penerimaan Opini Audit Going Concern. Jurnal, Fakultas Ekonomi UNIKA Soegijapranata Semarang. Sischa dan Armaini Penentuan Kebijakan Dividen Dengan Menggunakan Pendekatan Fuzzy Logic Pada Perusahaan Perbankan di BEI tahun Tesis, Fakultas Ekonomi Universitas Gunadarma. Solikah, Badingatus Pengaruh Kondisi Keuangan Perusahaan, Pertumbuhan Perusahaan, dan Opini Audit Tahun Sebelumnya Terhadap Opini Audit Going Concern. Skripsi Fakultas Ekonomi Universitas Negeri Semarang. Syudastri dan Armaini Estimasi Tingkat Inflasi Dengan Pendekatan Adaptive Neuro Fuzzy. Skripsi, Fakultas Ekonomi Universitas Gunadarma.