PREDIKSI PENDAPATAN PERUSAHAAN MENGGUNAKAN
METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
(ANFIS)
SKRIPSI
HARIGO CANHY MELANOF
081402073
DEPARTEMEN TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PREDIKSI PENDAPATAN PERUSAHAAN MENGGUNAKAN
METODE
ADAP TIVE NEURO F UZZY INF ERENCE SYSTEM
(ANFIS)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat untuk memperoleh ijazah Sarjana Teknologi Informasi
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PREDIKSI PENDAPATAN PERUSAHAAN
MENGGUNAKAN METODE ADAPTIVE
NEURO FUZZY INFERENCE SYSTEM (ANFIS)
Kategori : SKRIPSI
Nama : HARIGO CANHY MELANOF
Nomor Induk Mahasiswa : 081402073
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOMTI) UNIVERSITAS
SUMATERA UTARA
Diluluskan di
Medan, Agustus 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
NIP NIP
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PREDIKSI PENDAPATAN PERUSAHAAN MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Agustus 2014
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terimakasih penulis sampaikan kepada:
1. Kedua orang tua dan keluarga yang telah memberikan dukungan dan motivasi baik moril dan materil serta spiritual, Ayahanda Edi Firman dan Ibunda Zuraida yang selalu sabar dalam mendidik dan membesarkan saya,juga kepada Zicco Sandra Prayudha, S.T., Sintha Febria, S.Farm.Apt., Feny Primawati, A.md., Imam Firdaus Muttaqin, Ibu Nasmita, A.md., dan Ibu Asnimar.
2. Bapak Muhammad Anggia Muchtar, S.T., M.M.IT. selaku pembimbing satu dan Bapak Muhammad Fadly Syahputra, B.Sc., M.Sc.IT. selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis, dan juga ditujukan kepada Ibu Sarah Purnamawati, S.T., M.Sc. dan Bapak Baihaqi Siregar, S.Si., M.Sc. selaku penguji yang telah bersedia menjadi dosen pembanding.
3. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen dan pegawai di Program Studi Teknologi Informasi.
5. Terima kasih kepada sahabat-sahabat, Raja Ade Fitrasari Mochtar, S.E., M.Ak., Barkah Adhy Nugraha, S.T., Joko Rinaldi,S.Kep.Ners., Rahmadan, S.T., Eri Yunaldo, S.T., dan Bayu Haryadi, S.T yang selalu memotivasi saya.
6. Terima kasih kepada keluarga bapak Nurjasri dan ibu Elly yang telah banyak membantu saya sejak pertama kali menginjakan kaki di kota medan, juga kepada kakanda Devy Molanda, dr.Lysa Ogestha dan Angga Rizky Permana.
7. Terima kasih juga kepada teman-teman terbaik saya yang terus mendukung tanpa henti, Reyhan Samantha, Teza Amaluddin, Atika Chan, Azharul Wanda Siregar, Rizky Yanda, Dwiporanda E, Kharisma Rinaldi Siregar, Inis Caisarian Siregar, Karina Wibawanti, Zulfikri Putra, Sanra Cheney, Joko Nugroho, dan Andre serta teman-teman mahasiswa Teknologi Informasi lainnya yang tidak dapat penulis sampaikan satu persatu.
ABSTRAK
Pertumbuhan omset (pendapatan) merupakan salah satu ukuran keberhasilan sebuah perusahaan yang harus dipantau. Sebuah perusahaan tentu mengharapkan terdapat pertumbuhan pendapatan setiap tahun yang dicanangkan dalam target pendapatan. Dalam waktu tertentu jumlah penerimaan pendapatan akan semakin meningkat dan dalam situasi yang lain akan terjadi sebaliknya. Untuk itu perlu adanya proyeksi atau peramalan terhadap jumlah penerimaan pendapatan untuk tahun selanjutnya. Peramalan atau yang sering disebut dengan forecasting adalah satu bagian yang harus dipertimbangkan untuk membuat perencanaan. Dalam tugas akhir ini digunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi pendapatan perusahaan berdasarkan data-data pendapatan sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf tiruan digunakan untuk mengimplementasikan metode Fuzzy Inference System. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan ANFIS dengan parameter laju penbelajaran 0.2, momentum 0.1, dan max epoch 400 pada pendapatan perusahaan Breakdown Apparell periode 1 Januari 2011 sampai dengan 31 Desember 2013.
Abstract
The growth of turnover (revenue) is one measure of the success of a company that should be monitored. A company certainly expects revenue growth every year there are envisioned in the revenue targets. Within a certain amount of receipt of income will increase and in other situations would occur otherwise. For that we need a projection or forecast of the amount of receipt of income for the next year. Forecasting or forecasting is often referred to as one part that should be considered for planning. In this thesis used the method of Adaptive Neuro Fuzzy Inference System (ANFIS) to predict the company revenue data based on previous earnings. ANFIS is a hybrid system in which one neural network learning methods are used to implement the Fuzzy Inference System. Measuring the level of accuracy of the predictions made by the value of MAPE (Mean Absolute Percentage Error). The results of prediction were performed using ANFIS with learning rate parameter 0.2, momentum 0.1, and max epoch 400 on corporate earnings Breakdown apparell period January 1, 2011 until December 31, 2013.
DAFTAR ISI
2.4.2.2. Metode Inferensi Sugeno 20
2.4.3 Defuzifikasi 22
2.5. Jaringan Syaraf Tiruan 22
2.6. Prediksi Menggunakan Anfis 23
2.7. Penelitian Terdahulu 29
Bab 3 Analisis dan Perancangan 31
3.3. Analisis Teknikal 34
3.4. Perancangan Sistem 37
3.4.1. Use Case Diagram 37
3.4.2. Use Case Specification 39
3.4.3. Activity Diagram 42
3.4.4. Rancangan Menu System 46
3.4.5. Perancangan Antarmuka 46
3.4.5.1. Rancangan Halaman Home 46
3.4.5.2. Rancangan Halaman Data Pendapatan 47 3.4.5.3. Rancangan Halaman Peramalan 48 3.4.5.4. Rancangan Halaman About 49
Bab 4 Implementasi dan Pengujian 51
4.1. Implementasi 51
4.1.1. Spesifikasi Perangkat Keras yang Digunakan 52 4.1.2. Implementasi Perancangan Antarmuka 53
4.1.3. Implementasi Data 54
4.2. Pengujian Sistem 55
4.2.1. Rencana Pengujian Sistem 55
4.2.2. Kasus dan Hasil Pengujian 56
4.2.3 Pengujian Kinerja Sistem 57
Bab 5 Kesimpulan dan Saran 60
5.1. Kesimpulan 60
5.2. Saran 60
DAFTAR TABEL
Hal.
Tabel 2.1 Rentang Waktu dan Peramalan 12
Table 2.2 Penelitian Terdahulu 29
Tabel 3.1 Rangkuman Data Pendapatan Breakdown Apparel 32 Tabel 3.2 Use Case Spesifikasi untuk Use Case Home 39 Tabel 3.3 Use Case Spesifikasi untuk Use Case Pendapatan 39 Tabel 3.4 Use Case Spesifikasi untuk Use Case Peramalan 40 Tabel 3.5 Use Case Spesifikasi untuk Use Case Grafik Aktual 40 Tabel 3.6 Use Case Spesifikasi untuk Use Case Grafik Ramalan 41 Table 3.7 Use Case Spesifikasi untuk Use Case Data Saham 41
Tabel 4.1 Data Perusahaan Breakdown Apparel 54
Tabel 4.2 Rencana Pengujian 56
Tabel 4.3 Hasil Pengujian Menggunakan Metode Black Box 56
Tabel 4.4 Data Pendapatan Perusahaan 57
DAFTAR GAMBAR
Hal.
Gambar 2.1 Proses Fuzzy Inference System Error! Bookmark not defined.4
Gambar 2.2 Kurva Segitiga Error! Bookmark not defined.5
Gambar 2.3 Kurva Trapesium 14
Gambar 2.4 Kurva Generalized Bell 15
Gambar 2.5 Kurva Gaussian 16
Gambar 2.6 Blok diagram ANFIS 17
Gambar 3.1 Grafik Pendapatan Breakdown Apparel 34
Gambar 3.2 Algoritma ANFIS pada Sistem 35
Gambar 3.3 Use Case Diagram Sistem Prediksi 38
Gambar 3.4 Diagram Aktivitas Home 42
Gambar 3.5 Diagram Aktivitas Data Pendapatan 43
Gambar 3.6 Diagram Aktivitas Peramalan 44
Gambar 3.7 Diagram Aktivitas Grafik Aktual 44
Gambar 3.8 Diagram Aktivitas Grafik Peramalan 45
Gambar 3.9 Diagram Aktivitas Grafik Aktual dan Grafik Peramalan 45
Gambar 3.10 Struktur Menu Sistem 46
Gambar 3.14 Rancangan Halaman Home 47
Gambar 3.15 Rancangan Halaman Data Pendapatan 48
Gambar 3.16 Rancangan Halaman Ramalan 49
Gambar 3.17 Rancangan Halaman About 50
Gambar 4.1 Halaman Home 52
Gambar 4.2 Halaman Data Pendapatan Perusahaan 53
ABSTRAK
Pertumbuhan omset (pendapatan) merupakan salah satu ukuran keberhasilan sebuah perusahaan yang harus dipantau. Sebuah perusahaan tentu mengharapkan terdapat pertumbuhan pendapatan setiap tahun yang dicanangkan dalam target pendapatan. Dalam waktu tertentu jumlah penerimaan pendapatan akan semakin meningkat dan dalam situasi yang lain akan terjadi sebaliknya. Untuk itu perlu adanya proyeksi atau peramalan terhadap jumlah penerimaan pendapatan untuk tahun selanjutnya. Peramalan atau yang sering disebut dengan forecasting adalah satu bagian yang harus dipertimbangkan untuk membuat perencanaan. Dalam tugas akhir ini digunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi pendapatan perusahaan berdasarkan data-data pendapatan sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf tiruan digunakan untuk mengimplementasikan metode Fuzzy Inference System. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan ANFIS dengan parameter laju penbelajaran 0.2, momentum 0.1, dan max epoch 400 pada pendapatan perusahaan Breakdown Apparell periode 1 Januari 2011 sampai dengan 31 Desember 2013.
Abstract
The growth of turnover (revenue) is one measure of the success of a company that should be monitored. A company certainly expects revenue growth every year there are envisioned in the revenue targets. Within a certain amount of receipt of income will increase and in other situations would occur otherwise. For that we need a projection or forecast of the amount of receipt of income for the next year. Forecasting or forecasting is often referred to as one part that should be considered for planning. In this thesis used the method of Adaptive Neuro Fuzzy Inference System (ANFIS) to predict the company revenue data based on previous earnings. ANFIS is a hybrid system in which one neural network learning methods are used to implement the Fuzzy Inference System. Measuring the level of accuracy of the predictions made by the value of MAPE (Mean Absolute Percentage Error). The results of prediction were performed using ANFIS with learning rate parameter 0.2, momentum 0.1, and max epoch 400 on corporate earnings Breakdown apparell period January 1, 2011 until December 31, 2013.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Perusahaan adalah suatu organisasi yang didirikan oleh seseorang atau sekelompok orang atau badan lain yang kegiatannya adalah melakukan produksi dan distribusi guna memenuhi kebutuhan ekonomis manusia (Abdulkadir muhamad,2002). Kegiatan produksi pada umumnya dilakukan untuk memperoleh laba.
Pendapatan merupakan salah satu tujuan didirikannya sebuah usaha. Dengan adanya pendapatan itu berarti sebuah usaha masih berjalan dan layak untuk dipertahankan walaupun sebenarnya masih ada beberapa hal yang lain selain pendapatan yang bisa menjadi bahan pertimbangan untuk meneruskan sebuah usaha. Dengan memperhatikan jumlah pendapatan, akan diketahui apakah suatu usaha mendapatkan untung atau malah merugi.
di setiap periode. Salah satu tools yang dapat diterapkan adalah analisis deret waktu (time series analysis).
Dalam waktu tertentu jumlah penerimaan pendapatan akan semakin meningkat dan dalam situasi yang lain akan terjadi sebaliknya. Untuk itu perlu adanya proyeksi atau peramalan terhadap jumlah penerimaan pendapatan untuk tahun selanjutnya. Peramalan atau yang sering disebut dengan forecasting adalah satu bagian yang harus dipertimbangkan untuk membuat perencanaan. Salah satu aspek penting perencanaan adalah pembuatan keputusan (decision making), proses pengembangan dan penyeleksian sekumpulan kegiatan-kegiatan untuk memecahkan masalah.
Tujuan utama perencanaan adalah melihat bahwa program-program yang telah dilaksanakan dapat digunakan untuk meningkatkan kemungkinan pencapaian tujuan di waktu yang akan datang yaitu meningkatkan pembuatan keputusan yang lebih baik. Suatu perencanaan ramalan (forecast) yang tepat, dalam hal ini forecast adalah memperkirakan apa yang terjadi pada waktu yang akan datang. Perubahan suatu kejadian dapat dinyatakan dengan perubahan nilai variabel.
3
(Rosyadi, 2011), memprediksi curah hujan (Septiadi, 2008), memprediksi produksi air minum (Sutanto, 2005) dan lain sebagainya.
1.2Rumusan Masalah
Pendapatan sangat berpengaruh bagi kelangsungan hidup perusahaan, semakin besar pendapatan yang diperoleh maka semakin besar kemampuan perusahaan untuk membiayai segala pengeluaran dan kegiatan-kegiatan yang akan dilakukan oleh perusahaan. Oleh karena itu dibutuhkan sebuah pendekatan untuk memprediksi pendapatan perusahaan berdasarkan data fluktuasi pendapatan di masa lalu sehingga menghasilkan suatu sistem prediksi pendapatan perusahaan yang lebih akurat.
1.3Batasan Masalah
Agar penelitian ini tebih terarah dan permasalahan pada penelitian ini tidak terlalu lebar, maka batasan masalah pada penelitian ini dapat dirangkumkan sebagai berikut: 1. Penentuan prediksi pendapatan perusahaan ini merupakan perkiraan pendapatan
bulanan.
2. Prediksi pendapatan perusahaan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS)
3. Aplikasi ini tidak membahas pengeluaran perusahaan
4. Data yang digunakan adalah data pendapatan perusahaan Breakdown Apparel dari bulan Januari 2011 sampai dengan Desember 2013
1.4 Tujuan Penelitian
1.5 Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Mengetahui kemampuan metode ANFIS dalam memprediksi pendapatan perusahaan.
2. Memberikan suatu teknik alternatif mengenai prediksi pendapatan perusahaan dengan menggunakan metode ANFIS serta sebagai referensi untuk penelitian lain yang berhubungan dengan metode ANFIS dan prediksi pendapatan perusahaan.
1.6 Metode Penelitian
Tahapan yang dilakukan pada pelaksanaan penelitian skripsi ini adalah sebagai berikut:
1. Studi Literatur
Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi terkait dengan sistem prediksi data analisis teknikal, metode Adaptive Neuro Fuzzy Inference System (ANFIS).
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mendapatkan pemahaman mengenai metode ANFIS untuk memprediksi pendapatan sebuah perusahaan berdasarkan data saham terdahulu.
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan arsitektur, perancangan data dan perancangan antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah diperoleh.
5
4. Implementasi Sistem
Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih sesuai dengan analisis dan perancangan yang sudah dilakukan.
5. Pengujian
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan.
6. Dokumentasi dan Penyusunan Laporan
Pada tahap ini dilakukan pembuatan dokumentasi seluruh pengerjaan dari penelitian prediksi pendapatan perusahaan menggunakan ANFIS untuk memprediksi pendapatan perusahaan menggunakan ANFIS.
1.7 Sistematika Penulisan
Penulisan skripsi ini terdiri dari lima bab dengan masing-masing bab secara singkat dijelaskan sebagai berikut:
Bab 1: Pendahuluan
Bab ini berisi berisikan latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
Bab 2: Landasan Teori
Pada bab ini dibahas mengenai teori-teori pendukung penelitian skrispsi metode Neuro Fuzzy, khususnya metode ANFIS.
Bab 3: Analisis dan Perancangan Sistem
Bab 4: Implementasi Sistem Prediksi Pendapatan Perusahaan
Pada bab ini berisi implementasi perancangan sistem dari hasil analisis dan perancangan yang sudah dibuat, serta menguji sistem untuk menemukan kelebihan dan kekurangan pada sistem prediksi pendapatan perusahaan yang dibuat.
Bab 5: Penutup
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi pendapatan perusahaan.
2.1 Perusahaan
Istilah perusahaan untuk pertama kalinya terdapat di dalam Pasal 6 KUH Dagang yang mengatur mengenai penyelenggaraan pencatatan yang wajib dilakukan oleh setiap orang yang menjalankan perusahaan. Meskipun demikian, KUH Dagang tidak memuat penafsiran otentik mengenai arti perusahaan. Mengenai definisi perusahaan dapat kita temukan dalam Undang-Undang Nomor 3 Tahun 1982 tentang Wajib Daftar Perusahaan (UU Wajib Daftar Perusahaan). Namun sebelum membahas pengertian perusahaan menurut UU Wajib Daftar Perusahaan, terlebih dahulu akan diuraikan pengertian perusahaan menurut para ahli hukum.
Sedangkan menurut Polak, suatu usaha untuk dapat dimasukan dalam pengertian perusahaan harus mengadakan pembukuan, yaitu perhitungan mengenai laba dan rugi. Pada perkembangan selanjutnya, Komar Andasasmita membedakan antara perusahaan dengan jabatan. Menurut Andasasmita, Perusahaan adalah mereka yang secara teratur berkesinambungan dan terbuka bertindak dalam kualitas tertentu (pasti) mencapai atau memperoleh (dengan susah payah) keuntungan bagi diri mereka. Sedangkan jabatan adalah yang bertujuan/bersifat ideal atau yang menggunakan keahlian, seperti dokter, pengacara dan notaris.
Menurut ketentuan Pasal 1 huruf b UU Wajib Daftar Perusahaan, yang
dimaksud dengan perusahaan adalah “setiap bentuk usaha yang menjalankan setiap
jenis usaha yang bersifat tetap dan terus menerus dan yang didirikan, bekerja serta berkedudukan.dalam wilayah Negara Republik Indonesia, untuk tujuan memperoleh
keuntungan dan atau laba”.
Definisi perusahaan menurut ketentuan tersebut memuat dua unsur pokok,
yaitu:
1. Bentuk usaha (company) yang berupa organisasi atau badan usaha yang didirikan,
bekerja dan berkedudukan dalam wilayah negara Indonesia.
2. Jenis usaha (business) yang berupa kegiatan dalam bidang perekonomian
(perindustrian, perdagangan, perjasaan, pembiayaan) dijalankan oleh badan usaha
secara terus menerus.
Dengan demikian dapat disimpulkan bahwa unsur-unsur perusahaan adalah
sebagai berikut :
a. Badan usaha. Perusahaan memiliki bentuk tertentu, baik yang berupa badan
hukum maupun yang bukan badan hukum. Contohnya Perusahaan Dagang,
Firma, Persekutuan Komanditer, Perseroan Terbatas, Perusahaan Umum,
Perusahaan Perseroan dan Koperasi.
b. Kegiatan dalam bidang perekonomian, meliputi bidang perindustrian, perdagangan, perjasaan, dan pembiayaan.
9
d. Bersifat tetap. Maksudnya ialah kegiatan usaha yang dilaksanakan tidak berubah atau berganti dalam waktu singkat, tetapi untuk jangka waktu yang
lama.
e. Terang-terangan, berarti kegiatan usaha ditujukan kepada dan diketahui oleh umum, bebas berhubungan dengan pihak lain, diakui dan dibenarkan oleh
pemerintah berdasarkan undang-undang.
f. Keuntungan dan atau laba, berarti tujuan dari perusahaan adalah untuk memperoleh keuntungan dan atau laba.
g. Pembukuan. Maksudnya ialah perusahaan wajib untuk menyelenggarakan pencatatan mengenai kewajiban dan hak yang berkaitan dengan kegiatan
usahanya.
2.1.1 Bentuk Perusahaan
Bentuk-bentuk perusahaan secara garis besar dapat diklasifikasikan dan dilihat dari jumlah pemiliknya dan dilihat dari status hukumnya.
1. Bentuk-bentuk perusahaan jika dilihat dari jumlah pemiliknya terdiri dari perusahaan perseorangan dan perusahaan persekutuan.
a. Perusahaan Perseorangan
Perusahaan perseorangan adalah suatu perusahaan yang dimiliki oleh perseorangan atau seorang pengusaha.
b. Perusahaan Persekutuan
Perusahaan persekutuan adalah suatu perusahaan yang dimilki oleh beberapa orang pengusaha yang bekerjasama dalam satu persekutuan. 2. Bentuk-bentuk perusahaan jika dilihat dari status hukumnya terdiri dari
perusahaan berbadan hukum dan perusahaan bukan badan hukum.
a. Perusahaan berbadan hukum adalah sebuah subjek hukum yang mempunyai kepentingan sendiri terpisah dari kepentingan pribadi anggotanya; punya tujuan yang terpisah dari tujuan pribadi para anggotanya dan tanggung jawab pemegang saham terbatas kepada nilai saham yang diambilnya.
Perusahaan bukan badan hukum adalah harta pribadi para sekutu juga akan terpakai untuk memenuhi kewajiban perusahaan tersebut, biasanya berbentuk perorangan maupun persekutuan.
Sementara itu, didalam masyarakat dikenal dua macam perusahaan,yakni perusahaan swasta dan perusahaan negara.
1. Perusahaan Swasta
Perusahaan swasta adalah perusahaan yang seluruh modalnya dimiliki oleh swasta dan tidak ada campur tangan pemerintah, terbagi dalam tiga perusahaan swasta, antara lain:
a. Perusahaan swasta nasional, b. Perusahaan swasta asing, dan
c. Perusahaan patungan/campuran (joint venture) 2. Perusahaan Negara
Perusahaan negara adalah perusahaan yang seluruh atau sebagian modalnya dimiliki negara. Pada umumnya, perusahaan negara disebut dengan badan usaha milik negara (BUMN), terdiri dari tiga bentuk, yakni
a. Perusahaan jawatan (Perjan). b. Perusahaan umum (Perum). c. Perusahaan perseroan (Persero).
2.2 Pendapatan
Dalam beberapa dasawarsa belakangan ini, perhatian pada perhitungan laba rugi semakin dirasakan manfaatnya. Dengan adanya informasi mengenai pendapatan, maka dapat membandingkan antara modal yang tertanam dengan penghasilan sebagai alat untuk mengukur kinerja efisiensi perusahaan dan dapat memprediksi distribusi dividen di neraca yang akan datang. Pendapatan sebagai salah satu elemen penentuan laba rugi suatu perusahaan belum mempunyai pengertian yang seragam.
Menurut Standar Akuntansi Keuangan (2004 : 23.1), kata “income diartikan
sebagai penghasilan dan kata revenue sebagai pendapatan, penghasilan (income)
11
penghasilan yang timbul dari aktivitas perusahaan yang dikenal dengan sebutan yang
berbeda seperti penjualan, penghasilan jasa (fees), bunga, dividen, royalti dan sewa.”
Definisi tersebut memberikan pengertian yang berbeda dimana income memberikan pengertian pendapatan yang lebih luas, income meliputi pendapatan yang berasal dari kegiatan operasi normal perusahaan maupun yang berasal dari luar operasi normalnya. Sedangkan revenue merupakan penghasil dari penjualan produk, barang dagangan, jasa dan perolehan dari setiap transaksi yang terjadi.
Pengertian pendapatan dikemukakan oleh Dyckman (2002 : 234) bahwa
pendapatan adalah “arus masuk atau peningkatan lainnya atas aktiva sebuah entitas
atau penyelesaian kewajiban (atau kombinasi dari keduanya) selama satu periode dari pengiriman atau produksi barang, penyediaan jasa, atau aktivitas lain yang merupakan
operasi utama atau sentral entitas yang sedang berlangsung”.
Pengertian pendapatan didefinisikan oleh Sofyan Syafri (2002 : 58) sebagai
“kenaikan gross di dalam asset dan penurunan gross dalam kewajiban yang dinilai berdasarkan prinsip akuntansi yang berasal dari kegiatan mencari laba”.
Definisi pendapatan menurut Niswonger (1999 : 45), memberikan penekanan
pada konsep pengaruh terhadap ekuitas pemilik, yaitu “pendapatan (revenue) adalah peningkatan ekuitas pemilik yang diakibatkan oleh proses penjualan barang dan jasa kepada pembeli.
2.3 Peramalan (forecasting)
operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If we can predict what the future will be like we can modify our behaviour now to be in a better position, than we otherwise would have been, when the future arrives.” Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat (Murahartawaty,2009).
2.3.1 Metode Peramalan
Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka pendek (minggu bulan), menengah (bulan tahun), dan jangka panjang (tahun dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka waktu peramalannya.
Tabel 2.1 Rentang Waktu dalam Peramalan
Rentang Waktu Tipe Keputusan Contoh
Jangka Pendek
13 atau metode yang digunakan dalam peramalan. Metode peramalan dapat diklasifikasikan dalam dua kategori, yaitu:
1. Metode Kualitatif
Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang (long term forecasting). Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya. Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang ilmiah.
Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi, dimana menggabungkan dan merata-ratakan pendapat para pakar dalam suatu forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan di masa yang akan datang. Misalnya: berapa estimasi pelanggan yang dapat diperoleh dengan realisasi teknologi 3G.
2. Metode Kuantitatif
Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu:
a) Model-model Regresi
b) Model Ekonometrik
Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya.
c) Model Time Series Analysis (Deret Waktu)
Memasang suatu garis trend yang representatif dengan data-data masa lalu (historis) berdasarkan kecenderungan datanya dan memproyeksikan data tersebut ke masa yang akan datang.
2.4 Fuzzy System
Sistem fuzzy atau Fuzzy Inference System (FIS) adalah adalah sistem kendali logika fuzzy yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya dan pengetahuannya (Effendi, 2009). Logika fuzzy adalah logika mengandung unsur ketidakpastian. Pada logika biasa atau logika tegas (crisp) hanya terdapat 2 anggota himpunan nilai yakni salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran atau fungsi keanggotaan dalam interval 0 hingga 1 (Widodo, 2005).
Aturan/ Kaidah-Kaidah
Fuzzifikasi Penalaran Defuzzifikasi Output
Input
Gambar 2.1 Proses F uzzy Inference System (Effendi, 2009)
15
2.4.1 Fuzzifikasi
Fuzzifikasi adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran (Effendi, 2009). Fungsi keanggotaan (membership function) dari himpunan fuzzy dapat disajikan dengan dua cara yaitu numerik dan fungsional. Secara numerik himpunan fuzzy disajikan dalam bentuk gabungan derajat keanggotaan tiap–tiap elemen pada semesta pembicaraan yang dinyatakan sebagai berikut:
F = µF(ui) / ui (2.1) Secara fungsional himpunan fuzzy disajikan dalam bentuk persamaan matematis sehingga untuk mengetahui derajat keanggotaan dari masing-masing elemen dalam semesta pembicaraan memerlukan suatu perhitungan (Suratno, 2011). Pembentukan derajat keanggotaan dapat dilakukan dengan memetakan data secara langsung pada fungsi keanggotaan atau dengan menggunakan data cluster yang kemudian dipetakan pada fungsi keanggotaan.
2.4.1.1 Fungsi keanggotaan
Fungsi keanggotaan digunakan untuk mendapatkan derajat keanggotaan dari suatu data terhadap himpunan semestaya. Adapun Fungsi keanggotaan yang biasa digunakan dalam logika fuzzy adalah sebagai berikut:
1. Fungsi Keanggotaan Segitiga
Fungsi keanggotaan segitiga memiliki tampilan kurva berbentuk segitiga yang ditunjukkan oleh Gambar 2.2.
Fungsi keanggotaan kurva segitiga dapat dinyatakan sebagai berikut:
(2.2)
2. Fungsi Keanggotaan Trapesium
Fungsi keanggotaan trapesium memiliki tampilan kurva berbentuk trapesium yang ditunjukkan oleh Gambar 2.3. Fungsi keanggotaan trapesium dapat dinyatakan sebagai berikut:
Gambar 2.3 Kurva Trapesium (Irawan, 2007)
3. Fungsi Keanggotaan GeneralizedBell (GBell)
17
Gambar 2.4 Kurva Generalized Bell (Irawan, 2007)
Fungsi keanggotaan Generalized Bell (GBell) dapat dinyatakan sebagai berikut:
Keterangan :
: nilai bias yang biasanya bernilai positif agar kurva menghadap ke bawah. Jika negatif, maka fungsi keanggotaan akan menjadi upside-down bell. c : nilai mean kurva.
a : standar deviasi yang terbentuk.
4. Fungsi Keanggotaan Gaussian (Gauss)
Fungsi keanggotaan gaussian dapat dinyatakan sebagai berikut:
Keterangan:
: merupakan pusat dari fungsi keanggotaan gaussian, : menentukan lebar fungsi keanggotaan.
Fungsi keanggotaan segitiga dan trapesium telah banyak digunakan secara luas karena memiliki rumus yang sederhana dan efisiensi dalam komputasi. Namun karena fungsi keanggotaan terdiri dari segmen-segmen garis lurus, fungsi keanggotaan segitiga dan trapesium tidak halus (smooting) pada titik-titik tertentu. Untuk mendapatkan fungsi keanggotaan yang lebih halus dan bersifat continue dapat digunakan fungsi keanggotaan lainnya seperti fungsi keanggotaan Generalized Bell (GBell) dan Gaussian. Fungsi keanggotaan Generalized Bell (GBell) dan Gaussian menyediakan fungsi yang lebih halus dan cocok digunakan oleh sistem pembelajaran seperti neural networks. Fungsi keanggotaan Gbell dan Gaussian juga sering digunakan dalam bidang probabilistik dan statistik (Melin, et al, 2002).
2.4.1.2 Fuzzy clustering
Fuzzy clustering merupakan pengelompokan data atau data cluster yang memiliki karakteristik yang hampir sama secara matematis dalam sebuah kelompok atau kelas tertentu. Membership function yang akan digunakan pada fuzzy clustering dimodelkan dari data-data yang telah ada. Proses pembentukan membership function ini disebut modeling (Fariska, 2010). Metode fuzzy clustering yang biasa digunakan untuk memodelkan data adalah Fuzzy C-Means (FCM) dan Fuzzy Subclustering.
19
terawasi dimana jumlah cluster harus ditentukan terlebih dahulu sebelum melakukan pengelompokan data.
Konsep dasar FCM pertama kali adalah menentukan pusat cluster pada kondisi awal pusat cluster ini masih belum akurat. Setiap data memiliki derajat keanggotaan untuk tiap cluster dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat (Fariska, 2010).
Bila fungsi keanggotaan yang digunakan adalah kurva Generalized Bell (GBell), maka standar deviasi setiap cluster harus dihitung terlebih dahulu. Nilai fuzzy membership function pada setiap data dapat diperoleh dengan memasukkan data yang telah dinormalkan, nilai center dan standar deviasi cluster ke dalam persamaan kurva GBell. Informasi cluster ini nantinya akan membantu dalam pembangunan FIS model Sugeno yang bisa memodelkan hubungan data input-output dengan jumlah rule minimum. Definisi sebuah rule diasosiasikan dengan suatu cluster data (Sari, et al, 2012).
2.4.2 Inferensi
Pada tahapan ini sistem menalar nilai masukan (input) untuk menentukan nilai keluaran (output) sebagai bentuk pengambil keputusan. Sistem terdiri dari beberapa aturan dimana kesimpulan diperoleh dari kumpulan dan korelasi antaraturan (Effendi, 2009). Metode inferensi yang sering digunakan yaitu, metode Mamdani, Sugeno dan Sukamoto. Untuk melakukan proses inferensi, terdapat 3 operasi dasar yang umum digunakan yaitu max, min dan not.
2.4.2.1 Operasi himpunan fuzzy
diganti dengan max, sedangankan operator NOT diganti dengan operasi komplemen pada himpunan tersebut (Irawan, 2007).
Menurut Sari (2001), operasi dasar himpunan fuzzy adalah sebagai berikut:
1. Operasi “dan”(Intersection)
A “dan” B merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat keanggotaan dari A B adalah hasil yang diperoleh dengan mengambil nilai keanggotaan terkecil antara elemen-elemen pada himpunan-himpunan yang bersangkutan.
2. Operasi “atau” (Union)
A “atau” B merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat keanggotaan dari A B adalah hasil yang diperoleh dengan mengambil nilai keanggotaan terbesar antara elemen-elemen pada himpunan-himpunan yang bersangkutan.
3. Operasi “Tidak” (Complement)
Operasi “tidak” A merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat
keanggotaan dari A’ (A komplemen) adalah hasil yang diperoleh dengan
mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
21
2.4.2.2 Metode inferensi sugeno
Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Secara umum, bentuk model aturan metode inferensi Sugeno menggunakan bentuk aturan IF-THEN. Terdapat dua bentuk model aturan pada metode inferensi Sugeno (Sari, et al, 2012), yaitu:
1. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ... •(xn is An) THEN z=k
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai consequent.
2. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah:
IF (x1 is A1) • ... • (xn is An) THEN z = p1*x1 + … + pn*xn + q
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga adalah konstanta dalam consequent.
2.4.3 Defuzzifikasi
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output (Sari, et al, 2012). Metode defuzzifikasi yang digunakan dalam penelitian ini adalah weight average.
Pada metode weight average ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaaan, sehingga z* didefinisikan sebagai:
(2.9)
dimana z adalah nilai crispdan μ(z) adalah derajat keanggotaan dari nilai crisp z.
2.5 Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) adalah struktur jaringan dimana keseluruhan tingkah laku masukan-keluaran ditentukan oleh sekumpulan parameter yang dimodifikasi. Salah satu struktur jaringan neural adalah multilayer perceptrons (MLP) dimana jenis jaringan ini khusus bertipe lajur maju. MLP telah diterapkan dengan sukses untuk menyelesaikan masalah-masalah yang sulit dan beragam dengan melatihnya menggunakan algoritma propagasi balik dari kesalahan atau Error Backpropagation (EBP) (Fariza,2007).
23
2.6 Prediksi Menggunakan ANFIS
Sistem Neuro Fuzzy berstruktur ANFIS (Adaptive Neuro Fuzzy Inference Sistem atau biasa disebut juga Adaptive Network based Fuzzy Inference Sistem) termasuk dalam kelas jaringan neural namun berdasarkan fungsinya sama dengan Fuzzy Inference System. Pada sistem Neuro Fuzzy, proses belajar pada neural network dengan sejumlah pasangan data yang berguna untuk memperbaharui parameter-parameter Fuzzy Inference System (Fariza, 2007).
Sebagai contoh, untuk model fuzzy Sugeno Orde-Satu, aturan yang umum dengan dua aturan fuzzy IF THENsebagai berikut:
RULE 1 : IF x is A1 AND y is B1, THEN f1 = p1x + q1y + r1; RULE 2 : IF x is A2 AND y is B2, THEN f2 = p2x + q2y + r2;
dengan x dan y adalah masukan tegas pada node ke i, Ai dan Bi adalah label linguistik (rendah, sedang, tinggi, dan lain-lain) yang dinyatakan dengan fungsi keanggotaan yang sesuai, sedangkan pi, qi, dan ri adalah parameter consequent (i = 1 atau 2) (Rosyadi, 2011).
Data yang digunakan untuk proses pembelajaran (training) terdiri dari data masukan, parameter ANFIS, dan data test yang berada pada priode training ANFIS yang kemudian dilakukan proses pembelajaran terhadap data-data tersebut sehingga nantinya diproleh output berupa hasil prediksi.
Training dengan ANFIS menggunakan algoritma belajar hybrid, dimana dilakukan penggabungan metode Least-Squares Estimator (LSE) untuk menghitung nilai consequent pada alur maju dan menggunakan Error Backpropagation (EBP) dan gradient descent pada alur mundur untuk menghitung error yang terjadi pada tiap layer (Fariza, 2007).
kedua dan ketiga dilakukan proses inferensi yang digunakan untuk menentukan rule fuzzy menggunakan inferensi Sugeno dimana hasilnya akan diproses pada perhitungan selanjutnya. Pada layer 4 dilakukan proses pencarian nilai consequent dengan menggunakan LSE. Pada layer 5 dilakukan proses summary dari dua keluaran pada layer 4.
Pada ANFIS, Fuzzy Inference System (FIS) terletak pada layer 1, 2, 3 dan 4 dimana FIS adalah sebagai penentu hidden node yang terdapat pada sistem neural network (Fariza, 2007).
Setelah perhitungan alur maju dilakukan perhitungan alur mundur untuk menghitung nilai error tiap layer dan mengubah nilai parameter masukan menggunakan gradient descent. Proses perhitungan di atas akan berulang terus menerus sampai nilai error memenuhi nilai error maksimum yang telah ditentukan. Alur proses dari sebuah sistem ANFIS yang terdiri dari lima layer digambarkan pada Gambar 2.6.
Gambar 2.6 Blok diagram ANFIS (Rosyadi, 2011)
25
1. Melakukan inisialisasi terhadap parameter ANFIS, yaitu laju pembelajaran (lr), momentum (mc), batasan kesalahan (err), dan maksimum iterasi (Max Epoch). 2. Tahap pertama yang dilakukan adalah lajur maju yang berisi beberapa tahap untuk
mencari nilai consequent dari aturan yang dibuat dan melakukan penjumlah terhadap semua masukan pada layer terakhir. Adapun tahapan lajur maju adalah sebagai berikut:
a. Setiap node i pada layer satu merupakan node adaptive dengan fungsi node sebagai berikut:
dimana:
x atau y : input dari node i
Ai atau Bi : sebuah label linguistik yang terhubung dengan node i.
O1,i : derajat keanggotaan sebuah himpunan fuzzy dengan fungsi kurva Gbell yang terdapat pada persamaan (2.6).
b. Setiap node i pada layer kedua berupa node tetap yang keluarannya adalah hasil dari masukan. Operator yang digunakan adalah operator AND. Tiap-tiap node merepresentasikan α predikat dari aturan ke-i. Keluaran dari layer ini disebut dengan firing strength.
(2.11)
c. Tiap-tiap node pada layer ketiga berupa node tetap yang merupakan hasil
penghitungan rasio dari α predikat ( ), dari aturan ke-i terhadap jumlah dari
keseluruhan α predikat. Dimana hasilnya dinamakan dengan normalized firing strength.
d. Tiap-tiap node pada layer keempat merupakan node adaptive terhadap suatu keluaran.
(2.13)
Dengan adalah normalized firing strength pada layer ketiga dan {pi, qi, ri} adalah parameter-parameter pada node tersebut yang dinamakan consequent parameters.
e. Menentukan consequent parameters dengan menggunakan recursive least-squares estimator (LSE resahamif). Berikut ini adalah langkah untuk menentukan nilai consuquent dengan menggunakan LSE resaha mif:
i. Buat matrix A dengan ukuran n x n yang berisi nilai dari keluaran pada layer keempat dan nilai n merupakan jumlah parameter keluaran pada layer keempat.
ii. Buat matrix Y dengan ukuran n x 1 yang berisi nilai dari target prediksi.
iii. Melakukan pengulangan dari n+1 sampai data terakhir untuk mendapatkan nilai consequent.
f. Pada layer kelima memiliki sebuah node yang tetap yang mempunyai tugas untuk menjumlahkan nilai dari semua masukan.
27
sebagai persamaan linear yang merupakan kombinasi dari parameter consequent. Nilai simbul arsitektur dinotasikan dengan f.
3. Setelah tahap lajur maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backbropagation (EBP) untuk mengecek setiap error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukan pada layer pertama. EBP menggunakan metode ordered derivative untuk mencari error pada setiap layer.
a. Menghitung nilai error pada layer kelima.
dimana:
yp = target prediksi yp* = hasil prediksi
b. Menghitung nilai error pada layer keempat.
c. Menghitung nilai error pada layer ketiga.
e. Menghitung nilai error pada layer pertama.
f. Mengitung nilai error antara layer pertama dengan parameter masukan.
29
5. Ulangi proses iterasi hingga nilai epoch < Max Epoch dan Ep > batasan kesalahan (err).
6. Setelah melakukan training, dilakukan perhitungan kesalahan hasil prediksi dengan menggunakan MAPE (Mean Absolute Percentage Error), berikut adalah formula yang digunakan:
Penilitian terdahulu yang berkaitan dengan perancangan aplikasi dengan metode adaptiveneuro fuzzy inference system (ANFIS) dapat dilihat pada tabel 2.2
Tabel 2.2 Penilitian Terdahulu
No Peneliti/Tahun Judul Keterangan
1 Arfiansyah Rahman,
Tabel 2.2 Penilitian Terdahulu (lanjutan) banjir. Dari hasil penelitian tersebut, ANFIS optimal dapat menurunkan nilai error
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis teknikal menggunakan metode Adaptive Neuro Fuzzy Inference System pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
3.1. Identifikasi Masalah
Dalam beberapa dasawarsa belakangan ini, perhatian pada perhitungan laba rugi semakin dirasakan manfaatnya. Dengan adanya informasi mengenai pendapatan, maka dapat membandingkan antara modal yang tertanam dengan penghasilan sebagai alat untuk mengukur kinerja efisiensi perusahaan dan dapat memprediksi distribusi dividen di neraca yang akan datang. Pendapatan sebagai salah satu elemen penentuan laba rugi suatu perusahaan belum mempunyai pengertian yang seragam.
Pengertian pendapatan dikemukakan oleh Dyckman (2002 : 234) bahwa
pendapatan adalah “arus masuk atau peningkatan lainnya atas aktiva sebuah entitas
atau penyelesaian kewajiban (atau kombinasi dari keduanya) selama satu periode dari pengiriman atau produksi barang, penyediaan jasa, atau aktivitas lain yang merupakan
operasi utama atau sentral entitas yang sedang berlangsung”.
Menurut Standar Akuntansi Keuangan (2004 : 23.1), kata “income diartikan
sebagai penghasilan dan kata revenue sebagai pendapatan, penghasilan (income)
berbeda seperti penjualan, penghasilan jasa (fees), bunga, dividen, royalti dan sewa.” Definisi tersebut memberikan pengertian yang berbeda dimana income memberikan pengertian pendapatan yang lebih luas, income meliputi pendapatan yang berasal dari kegiatan operasi normal perusahaan maupun yang berasal dari luar operasi normalnya. Sedangkan revenue merupakan penghasil dari penjualan produk, barang dagangan, jasa dan perolehan dari setiap transaksi yang terjadi.
3.2. Data yang Digunakan
Data pendapatan perusahaan yang digunakan dalam penelitian ini adalah data perusahaan Breakdown Apparel dari tanggal 1 Januari 2011 s.d 31 Desember 2013. Seluruh data yang digunakan dalam penelitian ini berjumlah 1551 yang dapat dilihat pada Tabel 3.1.
Table 3.1 Rangkuman Data Pendapatan Breakdown Apparel
No. Tanggal Volume
1 Januari 2011 2545000
2 Februari 2011 3150500
3 Maret 2011 3245000
4 April 2011 2957500
5 Mei 2011 2376500
6 Juni 2011 2250500
7 Juli 2011 3490500
8 Agustus 2011 3325000
9 September 2011 2876500
10 Oktober 2011 3568000
11 November 2011 3583000
12 Desember 2011 3845500
13 Januari 2012 2765000
14 Februari 2012 2885000
33
16 April 2012 3189500
17 Mei 2012 2897000
18 Juni 2012 3250500
19 Juli 2012 3372500
20 Agustus 2012 4125500
21 September 2012 3276500
22 Oktober 2012 2854500
23 November 2012 3265000
24 Desember 2012 3896500
25 Januari 2013 2250500
26 Februari 2013 3012500
27 Maret 2013 3345000
28 April 2013 2250500
29 Mei 2013 2750500
30 Juni 2013 3185000
31 Juli 2013 3290500
32 Agustus 2013 3377500
33 September 2013 2845000
34 Oktober 2013 2213500
35 November 2013 3543500
Grafik Pendapatan Breakdown Apparel
3.3. Analisis Teknikal Prediksi Pendapatan Perusahaan Menggunakan ANFIS
Sistem prediksi pendapatan menggunakan metode Adaftive Neuro Fuzzy Inference System (ANFIS) dan data runtun waktu di masa lalu dapat digunakan untuk melakukan analisis teknikal pendapatan range bulan dengan menentukan nilai variabel berdasarkan minat beli konsumen. Sistem menerima dua variabel input yakni range bulan serta volume pendapatan. Data-data sersebut akan dinormalisasi dan diklasifikasi, dan kemudian akan diproses dengan mengunakan algoritma ANFIS hingga diproleh hasil prediksi. Adapun metode ANFIS dapat dilihat pada Gambar 3.3.
35
Mulai
Input nilai n, m, Kelas, Toleransi Error, Max Epoch, Laju Pembelajaran,
Momentum dan data saham
Normalisasi data saham dengan range [ 0.1 , 0.9 ]
Melakukan cluster data dengan FCM
Menentukan nilai Mean dan Standar Deviasi dari hasil cluster
Inisialisasi nilai Epoch =1 dengan menggunakan lajur maju dan cari
hasil defuzzifikasi
Menghitung Error lapisan ke-5, Error lapisan ke-4, Error lapisan ke-3, Error lapisan ke-2,
Error lapisan ke-1
Gambar 3.2 Algoritma ANFIS pada Sistem
Adapun langkah-langkah sistem prediksi pendapatan perusahaan yang akan dibangun adalah sebagai berikut:
1. Memasukkan data pendapatan yang ingin diprediksi.
2. Memasukkan nilai laju pembelajaran, momentum, dan, MaxEpoch.
3. Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan (2.1). Kemudian target dibuat pada selang 1 s.d 9.
5. Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM dengan persamaan (2.8) dan persamaan (2.9). Pada sistem prediksi ini, setiap data input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1 merupakan data kelompok data dengan tingkat fluktuasi rendah dan cluster 2 merupakan kelompok data dengan tingkat fluktuasi tinggi.
6. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai mean dan standar deviasi.
7. Dilakukan pelatihan terhadap data masukan dengan nilai epoch lebih kecil dari nilai maximum pengulangan dan nilai error lebih besar dari nilai batas kesalahan.
a. Tahap pertama yang dilakukan adalah lajur maju yang melakukan beberapa tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada layer terakhir.
i. Pada setiap node i pada layer pertama menghitung derajat keanggotaan dengan menggunakan persamaan (2.15).
ii. Pada setiap node i pada layer kedua mencari nilai firing strength dengan menggunakan persamaan (2.16).
iii. Pada setiap node i pada layer ketiga mencari nilai normalized firing strength dengan menggunakan persamaan (2.17).
iv. Pada setiap node i pada layer keempat mencari nilai parameter consequent dengan menggunakan persamaan (2.18).
v. Menentukan nilai parameter consequent dengan menggunakan LSE dengan persamaan (2.19) sampai dengan persamaan (2.22).
vi. Sebuah node tunggal pada layer kelima melakukan penjumlahan untuk semua masukkan yang ada menggunakan persamaan (2.23).
vii. Menghitung nilai keluaran yang merupakan persamaan linear yang merupakan kombinasi dari parameter consequent dengan menggunakan persamaan (2.24).
b. Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backpropagation (EBP) untuk mengecek error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukkan pada layer pertama.
37
ii. Menghitung error pada layer keempat dengan menggunakan persamaan (2.26).
iii. Menghitung error pada layer ketiga dengan menggunakan persamaan (2.27).
iv. Menghitung error pada layer kedua dengan menggunakan persamaan (2.28).
v. Menghitung error pada layer pertama dengan menggunakan persamaan (2.29).
vi. Menghitung error antara layer pertama dengan parameter masukan menggunakan persaman (2.30) dan persamaan (2.31).
vii. Setelah dilakukan penghitungan terhadap error pada setiap layer, maka selanjutnya melakukan perubahan terhadap parameter masukkan pada layer pertama dengan menggunakan persamaan (2.32) sampai dengan persamaan (2.35).
c. Menghitung nilai kuadarat error menggunakan persamaan (2.36). d. Melakukan penambah nilai epoch.
e. Jika nilai epoch lebih kecil dari nilai max pengulangan dan nilai error lebih besar dari nilai batasan kesalahan, maka menuju ke langkah (7.a).
8. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang sebenarnya dengan menggunakan persamaan (2.2).
9. Menghitung kesalahan hasil prediksi dengan menggunakan Mean Absolute PercentageError (MAPE) dengan persamaan (2.37).
3.4 Perancangan Sistem
3.4.1. Use case diagram
Use case merupakan deskripsi fungsi sebuah sistem dari perspektif pengguna. Use case dari sistem prediksi pendapatan perusahaan ini dapat dilihat pada Gambar 3.4.
Gambar 3.4 Use Case Diagram Sistem Prediksi
Use case bekerja dengan cara mendeskripsikan tipikal interaksi antara user (pengguna) dengan sistem yang dibangun melalui kronologi bagaimana sistem tersebut digunakan oleh user. Pada sebuah use case, user biasanya disebut dengan aktor. Urutan langkah-langkah yang menerangkan antara pengguna dan sistem disebut scenario. Setiap scenario mendeskripsikan urutan kejadian. Use case dapat terdiri dari beberapa scenario (Munawar, 2005).
39
3.4.2. Use case specification
Sebuah use case specification menggambarkan masing-masing scenario dari use case sistem yang dibangun secara lebih terperinci. Tabel use case specification untuk scenario home dari sistem prediksi pendapatan breakdown appareal yang dibangun dapat dilihat pada Tabel 3.2.
Tabel 3.2 Use Case Spesifikasi untuk Use Case Home
Tipe Use Ca se Penjelasan Nama Use Ca se Home
Eksekusi dilakukan oleh user. Ba sic flow - Aktor membuka aplikasi
- Aplikasi menampilkan halaman awal Alter na tive flow -
P ost condition Pada use ca se ini aktor dapat memilih menu yang ada. Limita tions -
Skenariouse case Data Pendapatan dapat dilihat pada Tabel 3.3.
Tabel 3.3 Use Case Spesifikasi untuk Use Case Data Pendapatan
Tipe Use Ca se Penjelasan Nama Use Ca se Data Pendapatan
Aktor User Ba sic flow -Aktor memilih menu data pendapatan.
-Sistem menampilkan halaman data pendapatan. -Aktor memasukkan data pendapatan.
-Aktor menyimpan data pendapatan
menyimpan data pendapatan. Alter na tive flow -
P ost condition Sistem menampilkan kembali semua data pendapatan termasuk data terbaru.
Limita tions -
Scenariouse case Peramalan dapat dilihat pada Tabel 3.4.
Tabel 3.4 Use Case Spesifikasi untuk Use Case Peramalan
Tipe Use Ca se Penjelasan Nama Use Ca se Peramalan
Aktor User
Deskripsi Use ca se ini digunakan oleh user untuk melakukan prediksi terhadap pendapatan perusahaan.
P r e condition Aktor telah berada di dalam aplikasi. Cha r a cter istic
of a ctiva tion
Eksekusi dilakukan oleh user. Ba sic flow -Aktor memilih menu Peramalan.
-Sistem menampilkan halaman Peramalan.
Scenariouse case Grafik Aktual dapat dilihat pada Tabel 3.5.
Tabel 3.5 Use Case Spesifikasi untuk Use Case Grafik Aktual
Tipe Use Ca se Penjelasan Nama Use Ca se Grafik Aktual
Aktor User
Deskripsi Use ca se ini digunakan oleh user untuk melihat grafik actual dari hasil prediksi.
P r e condition Aktor harus berada di halaman peramalan dan memasukkan parameter dan menekan tombol show.
41
of a ctiva tion
Ba sic flow -Aktor memilih menu grafik aktual. -Sistem menampilkan grafik aktual.
Scenariouse case Grafik Ramalan dapat dilihat pada Tabel 3.6.
Tabel 3.6 Use Case Spesifikasi untuk Use Case Grafik Ramalan
Tipe Use Ca se Penjelasan Nama Use Ca se Grafik Ramalan
Aktor User
Deskripsi Use ca se ini digunakan oleh user untuk melihat grafik ramalan dari hasil prediksi.
P r e condition Aktor harus berada di halaman peramalan dan memasukkan parameter dan menekan tombol show.
Cha r a cter istic of a ctiva tion
Eksekusi dilakukan oleh user.
Ba sic flow -Aktor memilih menu grafik ramalan. -Sistem menampilkan grafik ramalan.
Scenariouse case Grafik Aktual dan Ramalan dapat dilihat pada Tabel 3.7.
Tabel 3.7 Use Case Spesifikasi untuk Use Case Pengaturan Data Saham
Tipe Use Ca se Penjelasan
Nama Use
Ca se
Grafik Aktual dan Ramalan
Aktor User
Deskripsi Use ca se ini digunakan oleh user untuk melihat grafik actual dan Ramalan dari hasil prediksi.
Cha r a cter istic of a ctiva tion
Eksekusi dilakukan oleh user.
Ba sic flow -Aktor memilih menu grafik actual dan ramalan. -Sistem menampilkan grafik actual dan ramalan.
-Use ca se ini berakhir ketika sistem telah selesai menampilkan grafik actual dan ramalan.
Alter na tive flow
- P ost condition -. Limita tions -
3.4.3. Activity diagram
Activity diagram digunakan untuk mendeskripsikan logika prosedural, proses bisnis dan aliran kerja dalam suatu sistem. Activity diagram memiliki peranan seperti flowchart, akan tetapi memiliki perbedaan dimana activity diagram mendukung prilaku paralel sedangkan flowchart tidak (Munawar, 2005). Berikut ini adalah diagram aktivitas yang terdapat pada sistem prediksi yang akan dibangun.
1. Activitydiagram home
Pada activity diagram home, pengguna sistem akan melihat tampilan home saat pertama membuka aplikasi. Activity diagramhome dapat dilihat pada Gambar 3.5.
43
2. Activitydiagram pendapatan
Pada activity diagram pendapatan, pengguna dapat memasukkan data penapatan baru. Kita harus mengisi tanggal pendapatan, nama pendapatan dan nilai pendapatan pada waktu tersebut. Activity diagram pendapatan dapat dilihat pada Gambar 3.6.
Gambar 3.6 Diagram Aktivitas untuk Data Pendapatan
3. Activity diagram peramalan
Gambar 3.7 Diagram Aktivitas untuk Peramalan
4. Activity diagram grafik aktual
Pada activity diagram grafik actual, pengguna akan memilih pilihan grafik actual setelah melakukan prediksi terhadap data pendapatan. Sistem akan menampilkan grafik actual dari hasil prediksi. Activity diagram grafik aktual dapat dilihat pada Gambar 3.8.
45
5. Activitydiagram grafik ramalan
Activity diagram grafik ramalan dapat dilihat pada Gambar 3.9.
Gambar 3.9 Diagram Aktivitas untuk Grafik Peramalan
Pada activity diagram grafik ramalan, pengguna akan memilih pilihan grafik ramalan setelah melakukan prediksi terhadap data pendapatan. Sistem akan menampilkan grafik ramalan dari hasil prediksi.
6. Activitydiagram grafik actual dan ramalan
3.4.4. Rancangan menu system
Rancangan menu sistem dapat digunakan untuk melihat struktur menu yang terdapat pada suatu sistem yang akan dibangun. Rancangan menu sistem yang akan dibangun dapat dilihat pada Gambar 3.11. Rancangan sistem prediksi pendapatan breakdown appareal ini terdiri halaman home, data pendapatan, peramalan, dan about.
Gambar 3.11 Struktur Menu Sistem
3.4.5. Perancangan antarmuka
Perancangan antarmuka berisi gambaran umum tentang perancangan setiap tampilan yang terdapat pada aplikasi yang dibangun.
A. Rancangan halaman home
47
Gambar 3.14 Rancangan Halaman Home
Keterangan:
Saat pengguna membuka aplikasi, halaman home akan ditampilkan. Halaman home merupakan halaman awal untuk menuju ke halaman lainnya.
B. Rancangan halaman data pendapatan
Pada halaman data pendapatan merupakan halaman untuk memasukkan data pendapatan breakdown appareal. Pada halaman ini, pengguna harus memasukkan tanggal pendapatan, jenis pendapatan dan jumlah pendapatan. Semua data pendapatan termasuk data yang baru dimasukkan akan ditampilkan di halaman data pendapatan. Rancangan tampilan halaman data pendapatan dapat dilihat pada Gambar 3.14.
LOGO APLIKASI
About Peramalan
Gambar 3.15 Rancangan Halaman Data Pendapatan
C. Rancangan halaman peramalan
Pada halaman peramalan, pengguna dapat memprediksi pendapatan breakdown appareal. Untuk melakukan prediksi, pengguna harus memasukkan beberapa parameter, yaitu laju pembelajaran, max epoh, momentum dan data pendapatan. Rancangan tampilan halaman peramalan3 dapat dilihat pada Gambar 3.16.
Peramalan Data Pendapatan
Home
LOGO APLIKASI
About
Tanggal Pendapatan
Jenis Pendapatan
Jumlah Pendapatan
Edit Delete
Save
49
Gambar 3.16 Rancangan Halaman Ramalan
D. Rancangan halaman about
Pada halaman about, akan ditampilkan semua hal-hal tentang sistem termasuk cara penggunaan aplikasi, dan developer aplikasi. Rancangan tampilan halaman profil dapat dilihat pada Gambar 3.17.
Momentum Max Epoh
Laju Pembelajaran
About Peramalan
Data Pendapatan Home
LOGO APLIKASI
Hasil Prediksi
Dari Tangal
Hingga Tanggal
Gambar 3.17 Rancangan Halaman About Home
LOGO APLIKASI
About Peramalan
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan tentang proses pengimplementasian metode Adaptive Neuro Fuzzy Inference System (ANFIS) pada sistem, sesuai perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah dibangun.
4.1 Implementasi Sistem
Pada tahap ini, metode Adaptive Neuro Fuzzy Inference System (ANFIS) akan diimplementasikan ke dalam sistem prediksi harga saham dengan menggunakan bahasa pemrograman PHP dan database MySQL sesuai perancangan yang telah dilakukan.
4.1.1 spesifikasi perangkat keras dan lunak yang digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. Prosesor Intel®CoreTM 2 Duo CPU 2.40 GHz. 2. Kapasitas hardisk 500 GB.
3. Memori RAM yang digunakan 3072MB.
4. Sistem operasi yang digunakan adalah Microsoft Windows 7. 5. Web server yang digunakan adalah XAMPP.
4.1.2 Implementasi perancangan antarmuka
Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada sistem adalah:
1. Halaman Home
Halaman Home merupakan halaman yang pertama kali muncul ketika sistem dijalankan. Halaman ini merupakan halaman utama atau bagian depan dari aplikasi. Halaman Home pada sistem prediksi pendapatan perusahaan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) dapat dilihat pada Gambar 4.1.
Gambar 4.1 Halaman Home
2. Halaman Data Pendapatan
53
Gambar 4.2 Halaman Data Pendapatan Perusahaan
3. Halaman Prediksi
4.1.3 Implementasi data
Adapun data pendapatan perusahaan yang dimasukkan dalam sistem ini adalah unreal dari tanggal 1 Januari 2010 s.d 31 Maret 2014. Seluruh data yang dimasukkan penelitian ini berjumlah 1551 yang dapat dilihat pada Tabel 4.1.
Table 4.1 Data Perusahaan Breakdown Apparell
No. Tanggal Jenis
Pendapatan
Nominal
1 Januari 2011 Pendapatan 2545000
2 Februari 2011 Pendapatan 3150500
3 Maret 2011 Pendapatan 3245000
4 April 2011 Pendapatan 2957500
5 Mei 2011 Pendapatan 2376500
6 Juni 2011 Pendapatan 2250500
7 Juli 2011 Pendapatan 3490500
8 Agustus 2011 Pendapatan 3325000
55
10 Oktober 2011 Pendapatan 3568000
11 November 2011 Pendapatan 3583000
12 Desember 2011 Pendapatan 3845500
13 Januari 2012 Pendapatan 2765000
14 Februari 2012 Pendapatan 2885000
15 Maret 2012 Pendapatan 3650000
32 Agustus 2013 Pendapatan 3377500
33 September 2013 Pendapatan 2845000
34 Oktober 2013 Pendapatan 2213500
35 November 2013 Pendapatan 3543500
36 Desember 2013 Pendapatan 3567500
4.2 Pengujian Sistem
Pengujian sistem diperlukan untuk memeriksa kinerja antar komponen sistem yang diimplementasikan. Tujuan utama dari pengujian sistem adalah untuk memastikan bahwa elemen-elemen atau komponen-komponen dari sistem telah berfungsi sesuai dengan yang diharapkan. Metode pengujian yang digunakan adalah metode pengujian black box. Pengujian black box merupakan pengujian yang dilakukan pada interface sistem yang digunakan untuk mendemonstrasikan fungsi sistem yang dioperasikan (Gea, 2011).
4.2.1 Rencana pengujian sistem
Tabel 4.2 Rencana Pengujian
No. Komponen sistem yang diuji Butir uji
1 Halaman home Tidak ada tombol
3 Halaman peramalan Tombol “show”
4 Halaman about Tidak ada tombol
4.2.2 Kasus dan hasil pengujian sistem
Dari kasus-kasus tersebut kemudian digunakan sebagai dasar pengujian sistem yang dibangun menggunakan metode Black Box berdasarkan rencana pengujian pada Tabel 4.2. Hasil pengujian dengan menggunakan metode Black Box tersebut dapat dilihat pada Tabel 4.3.
Tabel 4.3. Hasil Pengujian Menggunakan Metode Black Box
No.
Komponen sistem yang diuji
57
Misalnya terdapat 20 data pendapatan perusahaan yang dikelompokkan per hari pada Tabel 4.4.
Tabel 4.4. Data Pendapatan Perusahaan
No. Tanggal Jenis
Pendapatan Nominal
1 Januari 2011 Pendapatan 2545000
2 Februari 2011 Pendapatan 3150500
3 Maret 2011 Pendapatan 3245000
4 April 2011 Pendapatan 2957500
5 Mei 2011 Pendapatan 2376500
6 Juni 2011 Pendapatan 2250500
7 Juli 2011 Pendapatan 3490500
8 Agustus 2011 Pendapatan 3325000
9
September
2011 Pendapatan 2876500
10 Oktober 2011 Pendapatan 3568000 11
November
