Sistem Pemilih Perusahaan Tempat Berinvestas
4.2. Pengujian Sistem
Cara pengujian sistem ini yaitu dengan memprediksi nilai saham perusahaan- perusahaan di masa mendatang menggunakan metode LVQ dengan menilai dari laporan keuangan masing-masing perusahaan. Kemudian output yang dihasilkan dari pengujian menggunakan metode LVQ, yaitu perusahaan yang diprediksi akan naik nilai sahamnya dimasa mendatang akan diolah menjadi input untuk proses menggunakan metode WP. Metode WP pada sistem ini digunakan untuk merangking
input tersebut sesuai dengan bobot kriteria dari user. Sehingga yang ingin dihasilkan
dari pembuatan sistem ini adalah daftar urutan perusahaan yang layak (yang nilai sahamnya akan naik) sebagai tempat berinvestasi.
4.2.1. Jenis Pengujian
Pengujian pada sistem ini dilakukan untuk mengetahui apakah sistem yang telah dibangun dapat memprediksi nilai saham dengan baik menggunakan metode LVQ,
kemudian mengurutkan rangking alternatif perusahaan yang telah di saring, menggunakan metode WP.
4.2.1.1. Ketepatan Pelatihan
Hasil yang dilihat dari pengujian prediksi nilai saham ini adalah sistem dapat memprediksi nilai saham perusahaan-perusahaan yang dijadikan sampel sesuai dengan target yang sudah dilatih sebelumnya. Pelatihan dilakukan dengan melatih data dari
laporan keuangan perusahaan yang disimpan di dalam Microsoft Office Excel 2010.
Data yang disimpan tersebut, dilatih dengan cara memanggil dengan perintah num =
xlsread('LapKeuangan.xlsx', 'Sheet', 'B9:H15');. Dimana
sheet pada perintah tersebut berubah sesuai dengan nama perusahaan yang dipilih
pada pop-up menu.
Gambar 4.6. Hasil Pelatihan LVQ
Berdasarkan pada gambar 4.6 dapat dilihat pelatihan LVQ untuk sistem ini menggunakan 11 masukan, dimana masukan tersebut diolah menurut Analisis Kinerja Keuangan seperti pada Persamaan 5-11, untuk menentukan nilai 7 masukan yang merupakan faktor yang mempengaruhi nilai saham. Terdapat 2 jenis nilai saham
dengan 2 lapisan layer. Layer pertama adalah kompetitif layer sebanyak 7 neuron dan
61
dilakukan dengan parameter 1000 epochs dan performance 0,0001 (Dibatasi agar
proses pelatihan maupun pengujian tidak memakan waktu yang lama).
Dalam uji ketepatan dalam pelatihan, hal yang menjadi acuan adalah ketepatan hasil pelatihan dengan target yang ditetapkan. Berikut adalah hasil pelatihan dari metode LVQ.
Tabel 4.7 Hasil Pelatihan Menggunakan Metode LVQ
Pada table 4.1 dapat dilihat dari 7 masukan dibagi menjadi 2 cluster masing-
masing berisi 3 dan 4 sampel. Pelatihan diharapkan dapat menjadikan 7 sampel
menjadi 2 cluster. Hasil pelatihan menggunakan metode LVQ menunjukkan bahwa
hasil pelatihan sesuai dengan target yang sudah ditentukan sebelumnya. Dengan kata lain, hasil prerdiksi nilai saham dengan metode LVQ ini memiliki ketetapan 100%. 4.2.1.2. Ketepatan Prediksi Nilai Saham
Setelah melukan pelatihan dan pengujian dengan metode LVQ, maka dilakukan pengujian ketepatan hasil prediksi nilai saham. Yang menjadi acuan ketepatan disini adalah hasil output yang dikeluarkan sesuai dengan target yang ditetapkan. Untuk itu pengujian harus dilaukukan dengan memakai data asli dari setiap perusahaan dan diisi
pada setiap editbox masing-masing atribut.
X1 X2 X3 X4 X5 X6 X7 Target Hasil Petatihan
Nilai Saham Naik 1 1 1 1 1 1 1 1 1 1
Nilai Saham Naik 2 1 1 1 1 1 0 1 1 1
Nilai Saham Naik 3 1 1 0 1 1 1 1 1 1
Nilai Saham Turun 1 1 1 0 0 1 1 1 2 2
Nilai Saham Turun 2 0 0 0 1 1 1 1 2 2
Nilai Saham Turun 3 1 1 1 1 0 0 0 2 2
Gambar 4.7.Sebelum Prediksi Nilai Saham Dengan Metode LVQ
Gambar 4.8. Setelah Prediksi Nilai Saham Dengan Metode LVQ
Sebagai contoh, pada Gambar 4.7 merupakan proses prediksi nilai saham pada salah satu sampel perusahaan, dengan metode LVQ. Input yang dimasukkan berupa atribut- atribut dari laporan keuangan perusahaan yang tertera yaitu perusahaan PT. Akasha
63
Wira International. Gambar 4.8 menunjukkan hasil yang sesuai dengan pada saat pelatihan, yaitu nilai nilai saham naik.
Tabel 4.8 Hasil Prediksi Nilai Saham Dengan Metode LVQ
Tabel 4.8 (Tabel dibuat secara manual dari Ms. Excel, sesuai dengan prediksi dari sistem) menunjukkan bahwa hasil prediksi nilai saham menggunakan metode LVQ tepat atau sama dengan nilai aktual yang tertera pada setiap laporan keuangan. Jika diprediksi naik atau turun, akan keluar hasil perkiraan kenaikan atau penurunan harga saham. Kemudian dengan menghitung persen kenaikan atau penurunan harga tersebut terhadap harga saham tahun sebelumnya, ditemukan bahwa hasilnya sama atau mendekati harga aktual yang tertera pada laporan keuangan (seperti terlihat pada Tabel 4.8).
Tabel 4.9. Hasil Uji Prediksi Dengan Metode LVQ
Sampel Jenis Nilai Saham (Target) Hasil Prediksi
Nilai Saham Naik 1 (1111111) Nilai Saham Naik (1 0) Nilai Saham Naik (1 0) Nilai Saham Naik 2 (1111101) Nilai Saham Naik (1 0) Nilai Saham Naik (1 0) Nilai Saham Naik 3 (1101111) Nilai Saham Naik (1 0) Nilai Saham Naik (1 0) Nilai SahamTurun 1 (1100111) Nilai Saham Turun (0 1) Nilai Saham Turun (0 1) Nilai SahamTurun 2 (0001111) Nilai Saham Turun (0 1) Nilai Saham Turun (0 1) Nilai SahamTurun 3 (1111000) Nilai Saham Turun (0 1) Nilai Saham Turun (0 1) Nilai SahamTurun 4 (0000000) Nilai Saham Turun (0 1) Nilai Saham Turun (0 1)
Berdasarkan Tabel 4.9 dapat dilihat bahwa hasil uji prediksi nilai saham menggunakan metode LVQ seluruhnya sesuai dengan target yang sebelumnya telah
Nama Perusahaan Harga Saham 2011 Harga Saham 2012 Perubahaan Harga (%) Pediksi Harga Saham 2013 Harga Aktual Prediksi Nilai Saham Nilai Saham Aktual Bantoel International Investma 790 580 -0.265822785 425.8227848 570 Turun Turun
Chitose Internationa 206 289 0.402912621 405.4417476 390 Naik Naik Gudang Garam 67,000 60,450 -0.097761194 54540.33582 42,000 Turun Turun Handjaya Mandala Sampoerna 39,000 59,900 0.535897436 92000.25641 62,400 Naik Naik kedawung Setia Industrial 245 495 1.020408163 490 345 Turun Turun PT Akasha Wira International 1,010 1,920 0.900990099 3649.90099 2000 Naik Naik PT Daya Varia Laboratoria 1,690 2,200 0.301775148 1540 1690 Turun Turun PT Delta Djakarta 111,500 255,000 1.286995516 583183.8565 380,000 Naik Naik
PT Indofarma 163 330 1.024539877 297 153 Turun Turun
PT Indofood CBP Sukses Makmur 4,600 5,850 0.27173913 7439.673913 6,600 Naik Naik PT Kedaung Indah Can 180 385 1.138888889 823.4722222 385 Naik Naik
PT Kimia Farma 340 740 1.176470588 632 590 Turun Turun
PT Langgeng Makmur Industry 260 425 0.634615385 694.7115385 830 Naik Naik PT Mayora Indah 14,250 20,000 0.403508772 28070.17544 25,900 Naik Naik PT Multi Bintang Indonesia 346,333 719,000 1.076036647 1492670.349 1,200,000 Naik Naik PT Nippon Indosari Corporindo 3,325 6,900 1.07518797 518,742 1,020 Turun Turun PT Schering Plough Indonesia 29,831 34,050 0.141430056 38865.69341 37,987 Naik Naik
PT Sekar Bumi 390 390 0 390 390 Naik Naik
PT Sekar Laut 140 180 0.285714286 231.4285714 180 Naik Naik PT Siantar Top 267 387 0.449438202 560.9325843 520 Naik Naik PT Tempo Scan Pasifiic 2,550 3,675 0.441176471 5296.323529 4,950 Naik Naik PT Tiga Pilar Sejahtera Food 495 1,080 1.181818182 2356.363636 1,430 Naik Naik PT Ultrajaya Milk Industri and Trading Company 1,080 1,330 0.231481481 1637.87037 4,500 Naik Naik Wismilak Inti Makmur 560 600 0.071428571 642.8571429 670 Naik Naik
ditentukan pada saat pelatihan seperti yang digambarkan pada tabel 4.8 Output yang dihasilkan secara keseluruhan sesuai untuk setiap sampel.
4.2.1.3. Ketepatan Perangkingan Alternatif Menggunakan WP
Pengujian ketepatan perangkingan alternatif menggunakan WP ini adalah dengan
menghitung preferensi terbesar dari semua alternatif yang ada, sesuai dengan nilai
bobot kriteria yang di input user.
Gambar 4.9 Pembobotan untuk proses WP
Proses pengujiannya yaitu pertama dengan melakukan normalisasi bobot dengan
perintah for i = 1:4 newBobot(i) = bobot(i) / jumlahbobot;, Kemudian
mencari vektor S dengan mengkalikan seluruh kriteria dari alternatif dengan bobot.
Hasil penjumlahan setiap vektor S dijadikan pembagi untuk vektor S itu sendiri, hasilnya adalah vektor V. Vektor V adalah nilai akhir, artinya nilai vektor V akan dibandingkan untuk memperoleh urutan rangking dari alternatif yang ada.
Pada Tabel 4.6 terlihat hasil Vektor S dan Vektor V untuk setiap alternatif. Vektor V yang memiliki nilai paling besar adalah Vektor V dari alternatif perusahaan
„Gudang Garam‟ dengan nilai Vektor V = 0.35. Selanjutnya „PT. Delta Djakarta‟ dan
65
sampai nilai Vektor V terkecil = 0 yaitu „PT. Ultra Milk Industri and Trading
Company‟ (Diurutkan sesuai abjad) .
Gambar 4.10 Hasil Proses Perangkingan WP
Pada Gambar 4.10, pada listbox terdapat hasil dari proses perangkingan menggunakan
WP. Sesuai dengan perhitungan dari urutan Vektor V, listbox juga menunjukkan
urutan yang sesuai, listbox akan menampilkan urutan nama-nama perusahaan yang terbaik menjadi tempat berinvestasi. Jadi bisa dikatakan bahwa proses perangkingan alternatif perusahaan sebagai tempat berinvestasi dengan Weighted product mengeluarkan hasil yang tepat.
5.1 Kesimpulan
Berdasarkan hasil uji coba dan pembahasan program yang dilakukan, maka diperoleh kesimpulan sebagai berikut:
1. Hasil pengujian prediksi nilai saham dengan masukan nilai parameter „this
year‟ lebih besar dari pada „a year ago‟, menghasilkan bobot 1 lebih banyak,
sehingga jika output = 1, maka dinyatakan sebagai nilai saham naik.
Sebaliknya, jika nilai parameter „this year‟ lebih kecil dari „a year ago‟, maka
bobot 0 akan lebih banyak, sehingga menghasilkan output = 0. Maka dinyatakan dengan nilai saham turun.
2. Dari pengujian terhadap setiap perusahaan sampel, dihasilkan hasil uji tepat
atau sesuai dengan appa yang dilatihkan dengan metode LVQ. Setiap pelatihan dan pengujian tepat target yaitu [1 1 1 2 2 2 2] untuk setiap parameter masukan.
3. Hasil perangkingan menggunakan metode WP, sesuai dengan bobot prioritas
dari user, menghasilkan urutan yang tepat. Yaitu yang jika dibandingkan
dengan data nilai setiap atribut, maka hasil perangkingan berdasarkan bobot prioritas yang dimasukkan user akan sesuai urutan. Urutan dihitung sesuai dengan besarnya Vektor V (Preferensi Alternatif) diperoleh dengan memangkatkan setiap nilai kriteria dengan bobotnya, kemudian dibagikan dengan jumlahnya. Sehingga perangkingan alternatif perusahaan untuk tempat berinvestasi dengan metode WP ketepatannya adalah 100%.
5.2 Saran
Untuk melakukan pengembangan selanjutnya, penulis menyarankan agar:
1. Sampel perusahaan yang digunakan lebih banyak dan mencakup semua bidang
67
2. Faktor yang digunakan sebagai penentu pengaruh perubahan nilai saham
ditambah dengan Faktor IHSG (indeks harga saham gabunan), harga pasar, dan tingkat suku bunga. Sehingga prediksi lebih akurat
3. Perlu dilakukan penelitian dengan kombinasi metode JST dan SPK lain seperti
BAM dan Prometee, Kohonen dan Smart.
4. Sistem dapat dikembangkan lagi untuk memprediksi nilai saham jenis lain
Anggreini, Y. 2013. Sistem Pendukung Keputusan Produk GSM Menggunakan Metode
Weighted Product. Skripsi. Universitas Pendidikan Indonesia.
Astuti,E.D. 2009. Pengantar Jaringan Syaraf Tiruan Teori dan Aplikasi. Star Publishing: Jateng.
Diana, S. 2006. Analisis Kinerja Keuangan Terhadap Harga Saham Pada Perusahaan Multifinance Dan Asuransi Yang Tercatat Di Bursa Efek Jakarta. Skripsi. FE. USU. Fahmi, I. 2006. Manajemen Investasi. Salemba Empat: Jakarta.
Falani,A.Z. 2013. Analisis Laporan Keuangan Perusahaan Sebagai Dasar Pengambilan
Keputusan Investasi Saham Berbasis DU Point Sistem & Fuzzy Logic. Jurnal.
Universitas Naromata Surabaya.
Harahap,M.I. 2005. Analisis Pengaruh Informasi Laporan Keuangan Terhadap Perubahan Harga Saham Sebelum dan Sesudah Krisis Ekonomi Indonesia. Tesis. Universitas Diponegoro: Semarang
Hermawan,A. 2006. Jaringan Syaraf Tiruan, Teori dan Aplikasi. Andi Yogyakarta : Yogyakarta
Irmawati, F. 2011. Pengaruh Informasi Keuangan Terhadap Harga Saham Pada Perusahaan
Makanan dan Minuman Yang Go Public Yang Terdafatr Di Bursa Efek Indonesia.
Universitas Pembangunan Nasional Veteran: Jawa Timur.
Johandra, M.I. 2014. Implementasi Learning Vektor Quantization Dan Deteksi Tepi Robert
Untuk Pengenalan Citra Wajah. Skripsi. Ilmu Komputer. USU.
Pertiwi, K.A. 2012. Analisis Pengaruh Fluktuasi Harga Saham Sektor Terhadap Tingkat Risiko Pasar Saham Di Bursa Efek Indonesia. Tesis. Universitas Hasanuddin: Jakarta.
Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Penerbit Andi: Yogyakarta. Rashad, M.Z., Shams. M.Y., Nomir, O. & El-Awady, M.R. Iris Recognation Based On LBP
and Combined LVQ Classifier. 2011. International Journal of Computer Science &
Information Technology (ISCSIT) 3 (5) : 67-78.
Siahaan, A. 2011. Pengenalan Karakter Dan Manajemen Database Pada Formulir Isian
Menggunakan Jaringan Syaraf Tiruan Dengan Metode Learning Vektor Quantization
(Lvq). Skripsi. Ilmu Komputer. USU.
Siang, J.J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab.
69
Sinuhaji, F. 2009. Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit
Asma. Skripsi. FMIPA. USU.
Suyanto. 2014. Artificial Intelligence. Informatika : Bandung
Thiantaphyllou, E., Shu, B , Nieto, S. & Ray, T. 1998. Multi-Criteria Decision Making: An
Operations Research Approach.Encyclopedia of Electrical and Electronics
Engineering 15 : 175-186
Umer, M.F & Khiyal, S.H. 2007. Classification of Textual Document Using Learning Vecrtor
Quantization. Information Technoogy Journal 6(1) : 154-159.
Yeni, M. 2011. Prediksi Cuaca Ekstrim Dengan Model Jaringan Syaraf Tiruan Menggunakan Program Matlab. Skripsi. Ilmu Komputer. USU.