FinanceManagement

Repositori ini berisi kumpulan analisis kuantitatif dari bidang studi Manajemen dengan peminatan Finansial. Proyek ini merupakan hasil kolaborasi dengan mahasiswa jurusan terkait. Penelitian ini menggunakan 3 langkah pendekatan:

1. Uji hipotesis untuk mencari pengaruh dan apa saja yang mempengaruhi dari fleksibilitas keuangan perusahaan FMCG menggunkana Regresi Logistik dan juga struktur model perusahaan properti menggunakan Analisis Panel.
2. Menguji apakah apakah variabel yang mempengaruhi itu tetap relevan atau signifikan jika diuji dengan metode yang lain.
3. Melakukan prediksi menggunakan machine learning, dengan algoritma yang digunakan adalah tetap Regresi Logistik untuk kasus fleksibilitas keuangan, dan Random Forest untuk kasus struktur modal (capital structure).

---

🚀 Deployment

Halaman utama ada pada: https://otnielabiezer.com/FinanceManagement yang berperan sebagai halaman awal (beranda) sebelum navigasi ke:

1. FleksFin - FMCG Predictor

Hasil implementasi dari Faktor-Fleksibilitas-Keuangan. Untuk informasi teknis lebih lengkap silahkan ke README FleksFin. Link deployment:

https://fleksfin.pythonanywhere.com/

2. ProCapst Analytics

Hasil implementasi dari Determinan-Capital-Structure. Untuk informasi teknis lebih lengkap silahkan ke README ProCapst. Link deployment:

https://procapst.streamlit.app/

📂 Studi Kasus

1. Faktor-Fleksibilitas-Keuangan

Studi kasus ini berfokus pada perusahaan-perusahaan konsumsi non-cyclicals (FMCG) di Indonesia. Tujuannya adalah untuk mencari faktor penentu dari Fleksibilitas Keuangan (FFR) berdasarkan sejumlah variabel independen, yaitu:

• ROA (Profitabilitas)
• TAS (Tangibility)
• CRO (Cash Holding)
• DTR (Struktur Modal)
• RNR (Retained Earnings)
• LTA (Ukuran Perusahaan)

Referensi Utama:

D. A. Nugraha, S. Muchtar, and A. Abyantara, "Faktor penentu fleksibilitas keuangan perusahaan barang konsumsi di Indonesia," Jurnal Ekonomi Trisakti, vol. 5, no. 2, pp. 1181-1188, 2025, doi: 10.25105/v5i2.23180.

Catatan: Dataset diperoleh secara primer dengan menghubungi Author secara langsung.

⚠️ DISCLAIMER: Terdapat perbedaan versi antara data yang tercantum di literatur referensi dengan data yang digunakan di sini, sehingga hasil akhirnya akan ada perbedaan.

📝 Notebooks:

• 01_Regresi_Logistik.ipynb Melakukan pendekatan kuantitatif menggunakan metode Regresi Logistik sesuai dengan referensi utama. Tahapan analisis meliputi pengenalan masalah, eksplorasi data (EDA), Uji Asumsi Logistik (seperti pengecekan Multikolinearitas menggunakan VIF), dan Uji Hipotesis. Hasil dari pemodelan ini menunjukkan bahwa variabel Cash Holding (CRO) berpengaruh paling signifikan terhadap fleksibilitas keuangan (FFR).

• 02_Metode_Lain.ipynb Eksplorasi tingkat lanjut untuk menguji tingkat pengaruh setiap variabel menggunakan berbagai metode alternatif. Metode yang diterapkan dalam notebook ini meliputi:

  • Uji Korelasi: Point-Biserial dan Rank-Biserial.
  • Uji Beda Rata-rata: Independent T-Test, Welch's T-Test, dan Mann-Whitney U.
  • Random Forest dan XGBoost: Feature Importance, SHAP values, Permutation Importance, dan Recursive Feature Elimination (RFE/RFECV).
  • Regresi Logistik L1 LASSO: Koefisien dengan penalti
  • SelectKBest: ANOVA dan Mutual Information

  Variabel Cash Holding (CRO) hampir selalu jadi variabel terpenting dari semua metode tersebut.

• 03_Model_Prediksi.ipynb Membangun model prediksi klasifikasi untuk menebak tingkat fleksibilitas keuangan (FFR) perusahaan. Model ini dibangun menggunakan algoritma Regresi Logistik (Machine Learning). Proses yang dilakukan mencakup pra-pemrosesan data (Train-Test Split), pencarian hyperparameter terbaik menggunakan GridSearchCV, dan evaluasi model (Akurasi, ROC-AUC, dll). Model yang dibangun ada 2: Pertama dengan memasukan seluruh 6 variabel, dan kedua hanya memasukan CRO. Didapatkan model terbaik adalah yang kedua. Model kemudian diekspor dan disimpan dalam bentuk file .pkl (lr2_final_model.pkl) sehingga siap untuk digunakan lebih lanjut (misal untuk deployment aplikasi).

---

2. Determinan-Capital-Structure

Studi kasus ini berfokus pada perusahaan-perusahaan sektor properti di Indonesia. Tujuannya adalah untuk mencari faktor penentu dari Struktur Modal, yang diukur menggunakan dua variabel dependen yaitu Debt-to-Equity Ratio (DER) dan Total Debt Ratio (TDR). Variabel independen yang diuji meliputi:

• ROE (Profitabilitas)
• TAN (Struktur Aset Fisik / Tangibility)
• LIQ (Likuiditas)
• GRW (Pertumbuhan Perusahaan)
• SIZ (Ukuran Perusahaan)
• TAX (Beban Pajak)
• AGE (Umur Perusahaan)
• NDTS (Penghematan Pajak Selain Utang)

Referensi Utama:

(Dalam proses publikasi) "Determinan of Capital Structure dari Perusahaan Properti"

Catatan: Dataset diperoleh secara primer dengan menghubungi Author secara langsung.

📝 Notebooks:

• 01_Analisis_Panel.ipynb Melakukan pendekatan kuantitatif menggunakan metode Analisis Data Panel. Tahapan yang dilakukan meliputi manipulasi dan penyusunan data panel, statistik deskriptif, visualisasi matriks korelasi (Within-Entity & Between-Entity), serta Pemilihan Model (Pengevulasian metode Common Effect Model, Fixed Effect Model, dan Random Effect Model) melalui instrumen Uji Spesifikasi seperti Uji Chow dan Uji Hausman. Dibangun 2 model yang pertama untuk prediksi DER dan yang kedua untuk prediksi TDR. Hasil akhir adalah beberapa faktor-faktor penentu yang signifikan dan seberapa besar pengaruhnya.

• 02_Linear_vs_Tree.ipynb Membandingkan performa pendekatan statistik linear (Regresi Panel) dengan algoritma Machine Learning berbasis pohon (Random Forest Regressor). Evaluasi pemodelan dilakukan menggunakan metrik seperti skor OOB (Out-Of-Bag) R-Squared, RMSE, dan MAE untuk menangkap pola non-linear. Notebook ini juga membedah Feature Importance guna mencari perbandingan mengenai teori ekonometrika keuangan dengan realitas faktor pendorong di lapangan (seperti penemuan fenomena Unobserved Heterogeneity pada nama emiten dibandingkan sekadar urusan tax shield). Serta, menguji kembali variabel-variabel yang sebelumnya harus dibuang (seperti SIZ) akibat ketidakmampuan regresi linear dalam menangani multikolinearitas.

• 03A_Prediksi_DER.ipynb Membangun model prediksi nilai DER (Debt-to-Equity Ratio) di masa mendatang menggunakan algoritma Random Forest Regressor. Tahapan analitik meliputi rekayasa fitur (Feature Engineering) seperti menambahkan variabel lag untuk target dan menyederhanakan data emiten (mengelompokkan Top Emiten dari Unobserved Heterogeneity temuan pada notebook sebelumnya). Evaluasi model melibatkan Time-Based Train-Test Split serta Hyperparameter Tuning menggunakan TimeSeriesSplit dari GridSearchCV guna memastikan tidak ada kebocoran data historis vs masa depan. Model yang paling optimal kemudian diekspor menjadi .pkl (03_model_rf_der.pkl).

• 03B_Prediksi_TDR.ipynb Membangun model prediksi nilai TDR (Total Debt Ratio) di masa mendatang menggunakan algoritma Random Forest Regressor. Tahapan analitik dan prapemrosesan cukup menambah variabel Lag untuk target dan tidak memerlukan pengelompokkan Emiten. Evaluasi model masih sama yaitu melakukan Time-Based Train-Test Split serta Hyperparameter Tuning menggunakan TimeSeriesSplit dari GridSearchCV. Model yang paling optimal kemudian diekspor menjadi .pkl (03_model_rf_tdr.pkl)