IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION DAN WEIGHTED PRODUCT DALAM MEMILIH PERUSAHAAN TEMPAT
BERINVESTASI
SKRIPSI
SOFIYA NAZARA
111401016
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION DAN
WEIGHTED PRODUCT DALAM MEMILIH PERUSAHAAN TEMPAT BERINVESTASI
SKRIPSI
Diajukan untuk melengkapi tugas akhir dan memenuhi syarat mencapai gelar Sarjana Komputer
SOFIYA NAZARA 111401016
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
ii
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA LEARNING
VECTOR QUANTIZATION DAN WEIGHTED PRODUCT DALAM MEMILIH PERUSAHAAN TEMPAT BERINVESTASI
Kategori : SKRIPSI
Nama : SOFIYA NAZARA
Nomor Induk Mahasiswa : 111401016
Program Studi : S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan,
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Amer Sharif, S.Si,M.Kom Dr. Poltak Sihombing, M.Kom NIP. - NIP. 196203171991031001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPELEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION DAN
WEIGHTED PRODUCT DALAM MEMILIH PERUSAHAAN TEMPAT BERIVESTASI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
iv
PENGHARGAAN
Alhamdulillah. Puji dan syukur kehadirat Allah SWT, yang dengan rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi ini. Yang mana skripsi ini ditulis sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Pada pengejaan skripsi dengan judul Impelementasi Algrotima Learning
Vector Quantization dan Weighted product Dalam Memilih Perusahaan Tempat Berinvestasi ini, penulis menyadari banyak pihak yang turut membantu serta memotivasi dalam pengerjaannya. Untuk itu, dalam kesempatan ini, penulis mengucapkan terima kasih kepada :
1. Bapak Rektor Universitas Sumatera Utara Prof. Subhilhar, Ps.D.
2. Bapak Prof. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom selaku Dosen Pembimbing I dan Ketua
Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
4. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing II yang telah
banyak memberi arahan dan motivasi dalam pengerjaan skripsi saya.
5. Bapak Drs. Marihat Situmorang, M.Kom selaku Dosen Penguji I yang telah
meluangkan waktunya untuk memberi saran-saran dan kritik guna menyempurnakan skripsi penulis.
6. Bapak Seniman, S.Kom, M.kom selaku Dosen Penguji II yang telah memberi
banyak masukan dan saran-saran untuk skripsi penulis.
7. Orang tua tercinta penulis Yafizham dan Rimta, serta saudara tercinta penulis
Aulia Fizhta, Audita Mutia, dan Alfi Abdillah yang tidak pernah berhenti memberi dukungan dalam segala bentuk, kasih sayang dan motivasi penuh kepada penulis.
8. Ter-spesial mas Arifin dan teman-teman seperjuangan terbaik, Kh Nisa Dewi
dan Gusra Al Gery yang selalu memberikan bantuan, semangat, dan tempat berbagi suka duka penulis.
9. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat
penulis ucapkan satu demi satu yang telah membantu penyelesaian laporan ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.
Medan,
Penulis,
vi
ABSTRAK
Seorang investor, dalam memilih perusahaan tempat berinvesatasi harus berhati-hati agar tidak rugi. Dengan memanfaatkan Jaringan Syaraf Tiruan dan Sistem Pendukung Keputusan maka pemilihan ini dapat dilakukan dengan tepat. Dengan menggunakan
algoritma Learning Vector Quantization (LVQ), data laporan keuangan perusahaan
akan dijadikan sebagai pola masukan. Dimana masukan tersebut akan dilatih untuk diprediksi nilainya dimasa mendatang, dan hasil pelatihannya dibandingkan dengan
target yang sudah ditetapkan. Hasil pelatihan dibagi menjadi “Nilai Saham Naik” dan
“Nilai Saham Turun.” Terdapat 34 sampel perusahaan dengan masing-masing 11
parameter penentu prediksi nilai saham. Epoch maksimal 1000, dan goal performance 0,0001. Masukan diuji, yang masuk kedalam kelas Nilai Saham Naik akan menjadi alternatif yang baik untuk dijadikan tempat berinvestasi. Dengan inputan tersebut,
metode Weighted Product (WP) dapat mengurutkan rangking terbaik perushaan
sebagai tempat berinvestasi. Terdapat 4 kriteria dalam pemilihan perusahaan sebagai tempat berinvestasi, yaitu : Harga Saham, Dividen, Resiko, dan Jangka Investasi. Berdasarkan bobot prioritas investor terhadap kriteria tersebut maka akan dihasilkan urutan alternatif yang sesuai. Hasil dari prediksi menggunakan LVQ memiliki ketepatan 100%, tepat dalam artian bahwa prediksi nilai (naik atau turunnya) nilai saham sesuai dengan nilai saham aktual yang tercantum pada laporan keuangan. Dan presentase ketepatan dalam perangkingan alternatif perusahaan menggunakan WP adalah 100%, ketepatan terlihat dari output daftar perusahaan yang sesuai dengan keinginan investor, yaitu yang memiliki nilai kriteria sesuai prioritas.
Implementation of Learning Vector Quantization and Weighted Product Algorithm On Choosing Company To Do Investment
ABSTRACT
As an Investor, selecting company to do investment, must be done it carefully, to avoid loss. This may be achieved with the means with Neural Network and Decision support System, it can be done appropriately. With the use of Learning vector Quantization (LVQ), financial report of company is used as input pattern. These inputs will used for training to get prediction of its value in the future. The training
result will be divided by “Value of the Stock Increases” and “Value of The Stock decrease”. There are 34 companies as a sample and each has 11 symptoms. With a
maximum of 1000 epoch, and 0,0001 of performance goals parameters. The input
were tested, and each input which was in the class of “The Value of the Stock Increases” was classified as best alternatives for investment. Weighted Product
organized the ranking of those alternatives. There are 4 criteria on choosing a company to do investment, which are: stock prices, dividend, risk, and invest period.
The outputs of this process are the ranks of the alternatives based on investor‟s weight
priority of the criteria. Based on the results, prediction using LVQ have 100% accuracy, accuracy meaning that the prediction of stock value (increase or decrease) corresponded to the actual stock value which was reported in financial reports. And the percentage of accuracy on ranking the alternatives using WP is 100%, the accuracy can be seen from the output of the system, which output are the list of companies ranked based on the criteria.
viii
Daftar Gambar Xii
Bab 1 Pendahuluan 1
2.1 Jaringan Syaraf Tiruan
2.1.1 Arsitektur Jaringan Syaraf Tiruan
2.2 Learning Vector Quantization (LVQ)
2.2.1 Arsitektur Jaringan LVQ
12 13 2.3 Sistem Pendukung Keputusan
2.3.1 Tahap-Tahap Pengambilan Keputusan 2.3.2 Metode Weighted Product
2.3.3 Algoritma Weighted Product
14 2.5.2 Keuntungan Bagi Investor
2.5.3 Resiko Dalam Berinvestasi 2.5.4 Jangka Waktu Investasi 2.6 Analisis Kinerja Keuangan
Hal.
Bab 3 Analisis Dan Perancangan Sistem 25
3.1 Analisis Sistem 25
3.1.1 Analisis Permasalahan 25
3.1.2 Analisis Kebutuhan Sistem 26
3.1.2.1 Kebutuhan Fungsional Sistem 26
3.1.2.2 Kebutuhan Non-Fungsional Sistem 26
3.1.3 Analisis Proses Sistem
3.1.3.1 Analisis Proses Learning Vector Quantization
3.2.1.3 Use Case Merangking Alternatif Perusahaan
32 32 33 34
3.2.2 SequenceDiagram
3.2.2.1 Sequence DiagramProses Pelatihan LVQ
3.2.2.2 Sequence Diagram Proses Pengujian LVQ
3.2.2.3 Sequence Diagram Proses Merangking Alternatif
Perusahaan
3.2.3.3 Activity Diagram Proses Merangking Alternatif
Perusahaan
3.3.3 Pseudocode Proses Perangkingan Weighted Product
39
3.4.4 Flowchart Proses Perangkingan Alternatif
3.5 PerancanganData
3.5.1 Perancangan Masukan
3.5.1.1 Perancangan Masukan Untuk Algoritma LVQ 3.5.1.2 Perancangan Masukan Untuk Algoritma WP 3.5.2 Perancangan Keluaran
3.5.2.1 Perancangan Keluaran Algoritma LVQ 3.5.2.2 Perancangan Keluaran Algoritma WP
x
Bab 4 Implementasi dan Pengujian Sistem
4.1 Implementasi Sistem 51
4.1.1 Tampilan Antarmuka Sistem 51
4.1.1.1 Antarmuka Home Sistem 51
4.1.1.2 Antarmuka Pelatihan LVQ 52
4.1.1.3 Antarmuka Pengujian LVQ 55
4.1.1.4 Antarmuka Perangkingan WP 56
4.1.1.5 Antarmuka Menu Help 59
4.2 Pengujian Sistem
4.2.1 Jenis Pengujian 59
4.2.1.1 Ketetapan Pelatihan 60
4.2.1.2 Ketepatan Prediksi Nilai Saham
4.2.1.3 Ketepatan Perangkingan Alternatif Menggunakan WP
61 64
Bab 5 Kesimpulan dan Saran 66
5.1 Kesimpulan 66
5.2 Saran 66
Daftar Pustaka 64
Lampiran Listing Program
Lampiran Nama Perusahaan
Lampiran Laporan Keuangan Perusahaan
A-1 A-25 A-27
DAFTAR TABEL
Hal. 2.1 Rating Kinerja Metode WP
3.1 Input Vektor Masukan dan Kelasnya 3.2 Bobot Kelas
3.3 Bobot kriteria
3.4 Kriteria kemampuan investor dalam penanaman modal
3.5 Dokumentasi Naratif Use Case Pelatihan LVQ 32
3.6 Dokumentasi Naratif Use Case Pengujian LVQ
3.7 Dokumentasi Naratif Use Case Merangking Alternatif Perusahaan
33 34 4.1 Parameter Penentu Nilai Saham Dari Laporan Keuangan
4.2 Hasil Analisis Laporan Keuangan (Rumus Hal.20) 4.3 Bobot Masing-Masing Kelas Target
4.4 Bobot Kriteria Setiap Alternatif Perusahaan (Data Terlampir) 4.5 Normaliasi Bobot Prioritas
4.6 Perhitungan Vektor S dan Vektor V setiap alternatif 4.7 Hasil Pelatihan Menggunakan Metode LVQ
4.8 Hasil Prediksi Nilai Saham Dengan Metode LVQ
4.9 Hasil Uji Prediksi Dengan Metode LVQ
1. Sub Sektor Makanan & Minuman 2. Sub Sektor Rokok
3. Sub Sektor Kosmetik & Keperluan Rumah Tangga 4. Sub Sektor Farmasi
5. Sub Sektor Peralatan Rumah Tangga
6. Laporan Keuangan Perusahaan Sampel Tahun 2011 7. Laporan Keuangan Perusahaan Sampel Tahun 2012 8. Nilai Kriteria Alternatif Perusahaan
xii
DAFTAR GAMBAR
Hal.
2.1 Model Neuron Jaringan Syaraf Tiruan
2.2 Jaringan Lapis Tunggal
2.3 Jaringan Lapis Jamak
2.4 Arsitektur Jaringan LVQ
2.5 Financial Report Perusahan Gudang Garam Tbk.
2.6 Share Price Information Perusahaan Gudang Garam Tbk.
2.7 Laporan Dividen Perusahaan Gudang Garam Tbk.
3.1 Ishikawa Diagram
3.2 Use case Diagram Sistem Ide Pemilihan Perusahaan Tempat Berinvestasi
3.3 Sequence Diagram Proses Pelatihan LVQ 3.4 Sequence Diagram Proses Pengujian LVQ
3.5 Sequence Diagram Proses Perangkingan Dengan WP
3.6 Activity Diagram Proses Pelatihan LVQ 3.7 Activity Diagram Proses Pengujian LVQ
3.8 Activity Diagram Proses Merangking Alternatif Perusahaan 3.9 Flowchart Sistem
3.10 Flowchart Proses Pelatihan
3.11 Flowchart Proses Pengujian
3.12 Flowchart Proses Perangkingan Alternatif Dengan WP
3.13 Tampilan Antarmuka Awal
3.14 Tampilan Antarmuka Pelatihan Metode LVQ
3.15 Tampilan Antarmuka Pengujian Metode LVQ
3.16 Tampilan Antarmuka Proses WP
3.17 Tampilan Antarmuka Help
3.18 Tampilan Antarmuka Konfirmasi Exit
4.1 Antarmuka Menu Home Sistem
4.2 Antarmuka Pelatihan LVQ
4.3 Antarmuka Pengujian LVQ Setelah Dikenali
4.4.Proses Perangkingan Alternatif Dengan WP
4.5 Antarmuka Help
4.6 Antarmuka Hasil Pelatihan LVQ
4.7 Tampilan Sebelum Prediksi Nilai Saham Dengan Metode LVQ
4.8. Tampilan Setelah Prediksi Nilai Saham Dengan Metode LVQ
4.9. Pembobotan untuk proses WP
4.10 Hasil Proses Perangkingan WP
52
52
55
56
59
60
62
62
64
vi
ABSTRAK
Seorang investor, dalam memilih perusahaan tempat berinvesatasi harus berhati-hati agar tidak rugi. Dengan memanfaatkan Jaringan Syaraf Tiruan dan Sistem Pendukung Keputusan maka pemilihan ini dapat dilakukan dengan tepat. Dengan menggunakan
algoritma Learning Vector Quantization (LVQ), data laporan keuangan perusahaan
akan dijadikan sebagai pola masukan. Dimana masukan tersebut akan dilatih untuk diprediksi nilainya dimasa mendatang, dan hasil pelatihannya dibandingkan dengan
target yang sudah ditetapkan. Hasil pelatihan dibagi menjadi “Nilai Saham Naik” dan
“Nilai Saham Turun.” Terdapat 34 sampel perusahaan dengan masing-masing 11
parameter penentu prediksi nilai saham. Epoch maksimal 1000, dan goal performance 0,0001. Masukan diuji, yang masuk kedalam kelas Nilai Saham Naik akan menjadi alternatif yang baik untuk dijadikan tempat berinvestasi. Dengan inputan tersebut,
metode Weighted Product (WP) dapat mengurutkan rangking terbaik perushaan
sebagai tempat berinvestasi. Terdapat 4 kriteria dalam pemilihan perusahaan sebagai tempat berinvestasi, yaitu : Harga Saham, Dividen, Resiko, dan Jangka Investasi. Berdasarkan bobot prioritas investor terhadap kriteria tersebut maka akan dihasilkan urutan alternatif yang sesuai. Hasil dari prediksi menggunakan LVQ memiliki ketepatan 100%, tepat dalam artian bahwa prediksi nilai (naik atau turunnya) nilai saham sesuai dengan nilai saham aktual yang tercantum pada laporan keuangan. Dan presentase ketepatan dalam perangkingan alternatif perusahaan menggunakan WP adalah 100%, ketepatan terlihat dari output daftar perusahaan yang sesuai dengan keinginan investor, yaitu yang memiliki nilai kriteria sesuai prioritas.
Implementation of Learning Vector Quantization and Weighted Product Algorithm On Choosing Company To Do Investment
ABSTRACT
As an Investor, selecting company to do investment, must be done it carefully, to avoid loss. This may be achieved with the means with Neural Network and Decision support System, it can be done appropriately. With the use of Learning vector Quantization (LVQ), financial report of company is used as input pattern. These inputs will used for training to get prediction of its value in the future. The training
result will be divided by “Value of the Stock Increases” and “Value of The Stock decrease”. There are 34 companies as a sample and each has 11 symptoms. With a
maximum of 1000 epoch, and 0,0001 of performance goals parameters. The input
were tested, and each input which was in the class of “The Value of the Stock Increases” was classified as best alternatives for investment. Weighted Product
organized the ranking of those alternatives. There are 4 criteria on choosing a company to do investment, which are: stock prices, dividend, risk, and invest period.
The outputs of this process are the ranks of the alternatives based on investor‟s weight
priority of the criteria. Based on the results, prediction using LVQ have 100% accuracy, accuracy meaning that the prediction of stock value (increase or decrease) corresponded to the actual stock value which was reported in financial reports. And the percentage of accuracy on ranking the alternatives using WP is 100%, the accuracy can be seen from the output of the system, which output are the list of companies ranked based on the criteria.
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Menurut Pernyataan Standart Akutansi Keuangan No.13 (2004, par 03), Investasi
adalah suatu aktiva yang digunakan perusahaan untuk pertumbuhan kekayaan
(accretion of wealth) melalui distribusi hasil investasi (seperti bunga, royalti,
deviden, dan uang sewa), untuk apresiasi nilai investasi, atau untuk manfaat lain
bagi perusahaan yang berinvestasi seperti manfaat yang diperoleh melalui
hubungan perdagangan, persediaan, dan aktiva tetap bukan merupakan investasi.
Investasi yang akan dibahas pada penelitian ini di khususkan pada investasi
dalam bentuk saham yang dilakukan di pasar modal. Pasar modal merupakan
tempat yang mempertemukan penjual dan pembeli modal atau dana. Yang
dimaksud sebagai penjual disini adalah perusahaan yang mencatatkan saham
perusahaan yang mereka miliki untuk dapat juga dimiliki oleh publik. Untuk dapat
memiliki saham dari suatu perusahaan, maka pembeli (investor) harus
membayarkan sejumlah dana yang telah ditentukan sesuai dengan harga perlembar
saham perusahaan yang ingin mereka beli.
Sebagai investor tentunya mengharapkan untuk bisa memperoleh tambahan
atau keuntungan dari apa yang telah dia berikan kepada perusahaan tempat dia
menanamkan modal. Untuk itu dibutuhkan ketelitian bagi seorang investor dalam
menentukan perusahaan yang tepat untuk dijadikan tempat penanaman modal
mereka. Tujuannya adalah agar para investor tidak salah menempatkan modalnya.
Jika investor salah memilih, akibat yang mungkin terjadi adalah kerugian.
Kerugian yang dimaksud disini adalah jika perusahaan tidak menghasilkan
keuntungan yang baik, maka investor tidak akan mendapatkan deviden
(pembagian keuntungan perusahaan kepada pemegang saham). Kemungkinan
buruk lain adalah, jika prestasi perusahaan tidak membaik, maka harga jual saham
perushaaan akan turun. Sehingga investor mungkin akan mengalami kerugian jika
Orang yang biasanya menjadi perantara antara pembeli dengan penjual saham
dinamakan pialang (broker). Pialang bekerja dengan menganalisis
perusahaan-perusahaan, tujuannya adalah agar dapat menjamin dan meyakinkan kelayakan
perusahaan kepada pembeli saham. Namun, dengan memakai jasa pialang dana
yang dikeluarkan juga akan semakin banyak karena harus membayar biaya
pialang. Untuk itu, seorang investor yang tidak ingin atau tidak mempunyai dana
lebih untuk membayar jasa pialang harus memiliki kemampuan untuk
menganalisis suatu perusahaan, agar tidak terjadi kerugian dalam penanaman
modal (Fahmi, 2006).
Dalam ilmu komputer, terdapat beberapa cabang ilmu yang mempelajari
bagaimana cara memecahkan masalah seperti : algoritma dan struktur data,
arsitektur perangkat keras dan lunak, rekayasa perangkat lunak, kecerdasan buatan
dan robotik, interaksi manusia dengan komputer, organisasi komputer, bahasa
pemrograman, sistem operasi dan jaringan komputer, database dan sistem retrival
informasi, grafika komputer, ilmu komputasi, dan bio informatika.
Jaringan syaraf tiruan merupakan cabang ilmu dari bidang ilmu kecerdasan
buatan yang merupakan alat pemecahan masalah. Ada banyak teknik (algoritma)
jaringan syaraf tiruan yang tersedia, seperti : Teknik Perceptron, Teknik
Propagasi Balik (Back Propagation), Jaringan Learning Vektor Quantization
(LVQ), Jaringan Kohonen, Algoritma Jaringan Fractal, Algoritma Jaringan Cyclic,
dan lain sebagainya (Siang, 2006).
LVQ merupakan suatu metode untuk melakukan pelatihan terhadap
lapisan-lapisan kompetitif yang terwarisi. Lapisan kompetitif akan belajar secara otomatis
untuk melakukan klasifikasi terhadap vektor input yang diberikan. Cara kerja
algoritma LVQ adalah dengan setiap neuron akan dicarikan jarak antara suatu
vektor input ke bobot yang bersangkutan. Apabila beberapa vektor input memiliki
jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan
dikelompokkan dalam kelas yang sama.
Dengan bantuan komputer yang bisa dengan tepat dan cepat di program untuk
membantu pekerjaan manusia, seperti mendukung manusia dalam mengambil
keputusan. Ada beberapa metode pendukung keputusan yang biasa dipakai dalam
pemrograman komputer, seperti : Analytical Hierarcy Process (AHP), Simple
3
Technique (SMART), Profile Matching, dan lain sebagainya. Metode weighted product adalah salah satu bagian dari metode Multi Atribut Decision Making
(MADM), yaitu proses pengambilan keputusan terhadap sebuah masalah yang
memiliki beberapa atribut penting untuk dipertimbangkan. Cara kerja metode
Weighted Product adalah dengan mengalikan seluruh atribut bagi sebuah alternatif dengan bobot sebagai perangkat positif untuk atribut manfaat, dan bobot berfungsi
sebagai pangkat negatif pada atribut biaya. Hasil perkalian dijumlahkan untuk
menghasilkan nilai pada setiap alternatif (Anggreni, 2013).
Dengan mengkombinasikan kedua metode ini dalam pemrograman komputer,
maka dapat dihasilkan program yang mampu mendukung keputusan investor
dalam menetukan perusahaan yang baik dan layak sebagai tempat berinvestasi.
LVQ digunakan untuk mengelompokkan kelas berdasarkan naik atau tidaknya
saham perusahaan di masa mendatang. Sedangkan WP digunakan untuk
mendukung keputusan investor, dengan memproses kriteria-kriteria yang
disyaratkan investor untuk memilih alternatif perusahaan yang ada.
1.2 Rumusan Masalah
Rumusan masalah yang akan dibahas dalam penelitian ini adalah :
1. Apakah keakuratan nilai saham dapat diprediksi menggunakan algooritma
LVQ.
2. Apakah metode WP mampu menghasilkan pilihan perusahaan investasi yang
sesuai dengan kemampuan investor.
1.3 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah :
1. Jenis investasi yang dilakukan hanya dalam bentuk investasi saham.
2. Pergerakan saham diprediksi dari laporan keuangan yang didownload dari
www.idx.co.id.
3. Perusahaan yang dijadikan sampel adalah perusahaan manufaktur yang
terdaftar di BEI (Bursa Efek Indonesia).
4. Parameter kelayakan perusahaan sebagai tempat investasi adalah tingginya
angka komponen-komponen berikut dalam laporan keuangan : Earning Per
Equity Ratio (DER), Return Of Investment (ROI), Return Of Equity (ROE),
Profit Margin (PM).
5. Parameter kemampuan investor adalah harga perlembar saham, profit yang
diharapkan, resiko yang ingin diambil, dan jangka investasi.
6. Menggunakan bahasa pemrograman Matlab.
1.4 Tujuan Penelitian
Tujuan dari penelitian adalah membuat sistem untuk membantu investor dalam
memilih perusahaan tempat berinvestasi.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah diharapkan dapat menghasilkan sistem yang
mampu memprediksi pergerakan nilai saham perusahaan, sehingga dihasilkan
perusahaan-perusahaan yang memiliki jaminan tinggi untuk dijadikan tempat
berinvestasi. Dan juga dapat mendukung investor dalam pemilihan perusahaan
tempat berinvestasi sesuai dengan kemampuan investor. Juga diharapkan dapat
menjadi bahan acuan untuk pengembangan lebih lanjut.
1.6 Metodologi Penelitian
Metodologi penelitian yang digunakan dalam penulisan tugas akhir ini adalah
sebagai berikut:
a. Studi Literatur
Melakukan studi kepustakaan melalui penelitian berupa buku mengenai ilmu
investasi saha, jaringan syaraf tiruan, dan sistem pedukung keputusan, jurnal
dan artikel-artikel yang relevan.
b. Metode Penelitian
Metode ini dilaksanakan dengan melakukan penelitian terhadap obyek yang
nantinya akan diteliti mengenai penerapan metode yang dipakai dalam
menentukan perusahaan yang tepat untuk berinvestasi.
c. Analisis dan perancangan
Metode ini dilaksanakan dengan melakukan analisis terhadap permasalahan
5
sebagai gambaran sistem sehingga dapat diperoleh rancangan yang terstruktur
dan jelas.
d. Implementasi
Metode ini dilaksanakan dengan mengimplementasikan rancangan sistem yang
telah dibuat pada impelementasi sistem menggunakan bahasa pemrograman
Matlab.
e. Pengujian
Metode ini dilaksanakan dengan melakukan pengujian terhadap sistem dengan
melakukan proses penetuan perusahaan yang tepat untuk tempat berinvestasi
dan kemudian pengujian hasil identifikasinya yang telah di implementasikan.
f. Dokumentasi
Metode ini dilaksanakan dengan membuat dokumentasi dalam bentuk laporan
tugas akhir.
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai
berikut:
BAB 1: PENDAHULUAN
Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi
“Implementasi Algoritma Learning Vector Quantization dan Weighted Product Dalam
Memilih Perusahaan Tempat Berinvestasi.”, rumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian, metode penelitian, flowchart penelitian dan
sistematika penulisan.
BAB 2: TINJAUAN PUSTAKA
Bab ini berisi dasar teori-teori yang digunakan dalam analisis, perancangan dan
implementasi skripsi.
BAB 3: ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi analisis terhadap fokus permasalahan penelitian dan perancangan
terhadap sistem kombinasi antara metode LVQ dan WP dalam memilih perusahaan
BAB 4: IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi teknik implementasi dari perancangan yang telah dibuat dan pengujian
terhadap implementasi. Pengujian dilakukan untuk membuktikan perangkat lunak
dapat berjalan sesuai dengan spesifikasi yang telah ditentukan di tahapan analisis.
BAB 5: KESIMPULAN DAN SARAN
Bab ini akan memuat kesimpulan isi dari keseluruhan uraian bab-bab sebelumnya dan
saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat untuk
BAB 2
LANDASAN TEORI
2.1 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan bekerja terinspirasi oleh sistem jaringan syaraf biologis
manusia. Jaringan tersebut terdiri atas beberapa elemen yang bekerja secara
pararel. Fungsi jaringan sangat tergantung pada hubungan antar elemen-elemen.
Jaringan dapat dilatih untuk menampilkan fungsi tertentu dengan memasukkan
nilai (bobot) pada setiap koneksi diantara elemen-elemen. Biasanya jaringan
syaraf diatur atau dilatih agar input yang diberikan menghasilkan output yang
sesuai target. Jaringan syaraf akan terus diatur atau dilatih sampai output sesuai
dengan target.
Beberapa algoritma Jaringan Saraf Tiruan antara lain :
a. Algoritma Kohonen
b. Algoritma Fractal
c. Algoritma Learning Vektor Quantization
d. Algoritma Cyclic
e. Algoritma Alternating Projection
f. Algoritma Hammimg
g. Algoritma Feedforwad Banyak Lapis. (Siahaan, 2011)
JST dapat menyimpan pengetahuan pola kejadian di masa lampau melalui
proses pelatihan yang kemudian pengetahuan tersebut digunakan untuk
memprakirakan kejadian yang akan terjadi dimasa akan datang. Tiga hal yang
sangat menentukan keandalan sebuah JST adalah pola rangkaian neuron-neuron
dalam jaringan yang disebut dengan arsitektur jaringan, algoritma untuk
menentukan bobot penghubung yang disebut dengan algoritma pelatihan, dan
persamaan fungsi untuk mengolah masukan yang akan diterima oleh neuron yang
disebut dengan fungsi aktivasi (Yeni, 2011).
Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf
biologis :
1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan
2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.
3. Setiap link koneksi memiliki bobot terasosiasi.
4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan
(jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan
sinyal output. Fungsi aktivasi yang digunakan biasanya fungsi yang
nonlinier.
JST ditentukan oleh 3 hal :
a. Pola hubungan antar neuron (yang menjadi arsitekturnya).
b. Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan,
pembelajaran, atau Algoritma ).
c. Fungsi aktivasi. (Siang, 2005)
2.1.1 Arsitektur Jaringan Syaraf Tiruan
Seperti otak manusia, jaringan syaraf juga terdiri dari neuron-neuron yang
saling berhubungan. Neuron-neuron tersebut mentransformasikan informasi
yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain
(disebut dengan bobot). Informasi (disebut dengan input) akan diproses oleh
suatu fungsi yang akan menjumlahkan semua bobot yang datang. Hasil
penjumlahan bobot ini kemudian akan dibandingkan dengan ambang
(threshold) tertentu melalui fungsi aktivasi setiap neuron. Jika nilai bobot lebih
besar dari nilai threshold, maka neuron tersebut akan mengirimkan output
melalui bobot-bobot outputnya ke semua neuron yang berhubungan
dengannya. Demikian seterusnya.
X1
X2
XN
F
Ʃ
b
a
y w1
w2
w3
Gambar 2.1 Model Neuron Jaringan Syaraf Tiruan
Keterangan gambar 2.1:
9
Lapisan- lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga,
yaitu :
1. Lapisan input
Unit-unit input menerima input dari dunia luar. Input yang dimasukkan
merupakan penggambaran suatu masalah.
2. Lapisan tersembunyi
Node- node didalam lapisan tersembunyi disebut unit-unit tersembunyi.
Output dari lapisan ini tidak dapat diamati secara langsung.
3. Lapisan output
Keluaran atau output dari lapisan ini merupakan output jaringan syaraf
tiruan terhadap suatu permasalahan.
Beberapa arsitektur jaringan yang sering digunakan dalam jaringan syraf tiruan
antara lain :
a. Jaringan Lapis Tunggal (Single Layer Network)
X1
Gambar 2.2 Jaringan Lapis Tunggal
Pada jaringan lapis tunggal, setiap input neuron dihubungkan langsung dengan
sekumpulan outputnya. Pada gambar 2.2 diatas, konstanta X merupakan
neuron input sedangkan konstanta Y merupakan neuron output. W adalah
b. Jaringan Lapis Jamak (Multi Layer Network)
Gambar 2.3 Jaringan Lapis Jamak
Pada jaringan lapis jamak, selain neuron input dan output, ada unit-unit lain
(biasa disebut lapis tersembunyi). Dapat terdapat beberapa lapis tersembunyi
pada satu arsitektur jaringan. Namun, unit-unit dalam satu lapis tidak saling
berhubungan. Pada gambar 2.3 , konstanta X merupakan neuron input,
konstanta Y merupakan neuron output, dan konstanta Z merupakan lapis
tersembunyi.
c. Jaringan Reccurent
Jaringan ini mirip dengan jaringan lapis tunggal ataupun ganda. Hanya saja,
ada neuron output yang memberikan sinyal pada unit input (sering disebut
feedback loop) (Siang, 2005).
2.1.2 Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan,
antara lain:
a. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan
menggunakan metode backpropagation. Fungsi sigmoid biner memiliki
nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan
untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada
interval 0 sampai 1. Namun fungsi ini juga digunakan oleh jaringan syaraf
yang nilai output-nya 0 atau 1.
Fungsi sigmoid biner dirumuskan sebagai:
11
dengan :
[ ] …………(2)
b. Fungsi sigmoid bipolar
Fungsi bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara 1 sampai -1.
Fungsi sigmoid bipolar dirumuskan sebagai: (Sinuhaji, 2009)
………(3)
dengan
[ ][ ] ………..(4)
2.1.3 Proses Pembelajaran Jaringan Syaraf
Terdapat dua tipe pembelajaran dalam Jaringan Syaraf Tiruan, yaitu :
a. Pembelajaran terawasi (supervised learning)
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola
input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output.
Lapisan output ini akan membangkitkan pola output yang nantinya akan
dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola
output hasil pembelajaran dengan pola target, maka disini akan muncul error.
Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu
dilakukan lebih banyak pembelajaran lagi. Terdapat berbagai tipe pembelajaran
terawasi beberapa diantaranya Hebb Rule, Perceptron, Delta Rule,
Backpropagation, Heteroassociative Memory, Bidirectional Associative Memory
(BAM), Learning Vektor Quantization (LVQ).
b. Pembelajaran tak terawasi (unsupervised learning)
Pembelajaran tak terawasi tidak memerlukan target output. Pada metode ini, tidak
dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses
pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu
range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran
tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan
(klasifikasi) pola.Contoh metode pembelajaran tak terawasi adalah jaringan
kohonen (kohonen network) (Yeni, 2011) .
2.2 Learning Vektor Quantization (LVQ)
LVQ merupakan salah satu jaringan Saraf tiruan yang melakukan pembelajaran
secara terawasi. LVQ mengklasifikasikan input secara berkelompok ke dalam kelas
yang sudah didefinisikan melalui jaringan yang telah dilatih. Dalam kata lain LVQ
mendapatkan n input dan mengelompokkan kedalam m output. (Hidayah, 2014).
LVQ merupakan jaringan lapisan tunggal (single-layer net) di mana lapisan
masukan terkoneksi secara langsung dengan setiap neuron pada keluaran. LVQ terdiri
dari lapisan input (input layer), lapisan kompetitif dan lapisan output (output layer).
Lapisan input dihubungkan dengan lapisan kompetitif oleh bobot. Dalam lapisan
kompetitif, proses pembelajaran dilakukan secara terawasi. Input akan bersaing untuk
dapat masuk ke dalam suatu kelas. Hasil dari lapisan kompetitif ini berupa kelas, yang
kemudian akan dihubungkan dengan lapisan output. Jika jarak dua vektor masukan
mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor masukan
tersebut ke dalam kelas yang sama (Johandra, 2014).
Algoritma Pelatihan LVQ :
0. Tetapkan :
a. Bobot awal variabel input ke–j menuju ke kelas (cluster) ke-i : Wij ,
dengan i = 1, 2, .., K; dan j = 1, 2, .., m
b. Maksimum epoch : MaxEpoh
c. Parameter learning rate,
d. Pengukuran learning rate, Dec
e. Minimal learning rate yang diperbolehkan : Min
1. Masukkan :
a. Data input : Xij ; dengan i = 1, 2, .., m.
b. Target berupa kelas Tk ; dengan k = 1, 2, .., n
2. Tetapkan kondisi awal : epoch = 0;
3. Kerjakan jika : (epoch MaxEpoch) dan ( Min)
a. Epoch = epoch + 1;
13
i. Tentukan J sedemikian hingga |Xi – Wj| minimum; dengan j = 1,
2, .. , K
ii. Perbaiki Wj dengan ketentuan :
Jika T = Cj maka :
Wj = Wj + (Xi – Wj)
Jika T Cj maka :
Wj = Wj -(Xi – Wj)
c. Kurangi nilai .
(Pengurangan bisa dilakukan dengan = - Dec ; atau dengan cara : =
* Dec)
Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir (W).
Bobot-bobot ini nantinya akan digunakan untuk untuk pengujian terhadap
data-data.
Algoritma Pengujian LVQ :
1. Masukkan data yang akan diuji, misal X ij ; dengan i = 1, 2,.., np ; dan j
= 1, 2, .., m.
2. Kerjakan untuk i = 1 sampai dengan np
a. Tentukan J sedemikian hingga |Xi – Wj| minimum (Cj), dengan J =
1,2,.., K.
2.2.1 Arsitektur Jaringan LVQ
Dalam LVQ terdapat dua vektor bobot yang menghubungkan setiap neuron masukan
dengan neuron keluaran sehingga dapat dikatakan bahwa setiap neuron keluaran pada
LVQ berhubungan dengan sebuah vektor bobot. Untuk melakukan proses pengenalan
dan pembelajaran, LVQ menggunakan operasi-operasi vektor. Pola-pola akan
disajikan dalam bentuk vektor. Pemrosesan yang terjadi pada setiap neuron adalah
mencari jarak antara suatu vektor input ke bobot yang bersangkutan. Dalam hal ini
adalah vektor bobot (Wij) yang menghubungkan setiap neuron pada lapisan input (Xi)
Gambar 2.4 Arsitektur jaringan LVQ
2.3 Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah sistem informasi berbasis pengetahuan atau
manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan
dalam suatu organisasi atau perusahaan. SPK merupakan sistem alternatif yang
mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi
terstruktur yang spesifik. SPK membantu mengambil keputusan dengan cara
melengkapi informasi yang dibutuhkan pengambil keputusan dari data yang telah
diolah dengan relevan, sehingga hasilnya cepat dan akurat (Anggreni, 2013).
2.3.1 Tahap – tahap Pengambilan Keputusan
Menurut Herbert A. Simon, tahap – tahap yang harus dilalui dalam proses
pengambilan keputusan sebagai berikut :
1. Tahap Pemahaman ( Inteligence Phace )
Tahap ini merupakan proses penelusuran dan pendeteksian dari lingkup
problematika serta proses pengenalan masalah. Data masukan diperoleh,
diproses dan diuji dalam rangka mengidentifikasikan masalah.
2. Tahap Perancangan ( Design Phace )
Tahap ini merupakan proses pengembangan dan pencarian alternatif tindakan /
solusi yang dapat diambil.
3. Tahap Pemilihan ( Choice Phace )
Tahap ini dilakukan pemilihan terhadap diantara berbagai alternatif solusi
yang dimunculkan pada tahap perencanaan agar ditentukan / dengan
memperhatikan kriteria – kriteria berdasarkan tujuan yang akan dicapai.
i : Alternatif
j : Kriteria
n : Banyaknya kriteria
* : Banyaknya kriteria yang telah dinilai pada vektor S
2.3.3 Algoritma Weighted Product
Algoritma weighted product mengevaluasi m alternatif Ai (I = 1,2, …, m)
terhadap sekumpulan atribut atau kriteria Cj (j = 1, 2, …, n). matriks keputusan
setiap alternatif X diberikan sebagai berikut :
X11 … X1n
X = … ... …
X1m … Xmn
Dimana Xij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. berikut
tabel rating keinerja yang menunjukkan matriks keputusan setiap alternatif
terhaadap setiap atribut.
Kriteria
Alternatif
C1 C2 ……… Cn
A1 X11 X21 ……… X1n
A2 X12 X22 ……… X2n
… … … ……… …
Am X1m X2m ……… Xnm
Tabel 2.1 Tabel Rating Kinerja
Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut,
diberikan sebagai W :
W = {w1, w2, …,wn}
Algoritma dari weighted product adalah sebagai berikut :
1. Melakukan normalisasi bobot untuk menghasilkan nilai ∑nj=1 wj = 1
dimana j = 1, 2, …, n adalah banyak alternatif.
2. Menetukan kategori dari masing-masing kriteria, apakah termsuk ke
17
3. Menentukan nilai vektor S dengan mengalikan seluruh kriteria bagi
sebuah alternatif dengan bobot sebagai pangkat positif untuk kriteria
keuntungan dan pangkat negatif untuk kriteria biaya.
4. Menetukan nilai vektor V yang akan digunakan untuk perangkingan.
5. Membandingkan nilai akhir dari vektor V.
6. Menemukan urutan alternatif terbaik yang akan dijadikan keputusan
(Anggreini, 2013)
Contoh sederhana penggunaan algoritma weighted product dalam pemilihan
perusahaan tempat berinvestasi :
2.4 Investasi
Terdapat banyak sekali defenisi investasi yang dikemukakan oleh ahli. Menurut
Frank J. Fabozzi, manajemen investasi adalah proses pengolahan uang. Abdul
Halim mengatakan bahwa investasi adalah penempatan sejumlah dana pada saat
ini dengan harapan untuk memperoleh keuntungan di masa mendatang. Intinya
adalah, investasi dilakukan para investor dengan harapan memperoleh
keuntungan.
Tujuan yang ingin dicapai dalam berinvestasi adalah :
1. Terciptanya keberlanjutan (continuity) dalam investasi tersebut,
2. Terciptanya profit yang maksimum atau keuntungan yang diharapkan (profit
actual),
3. Terciptanya kemakmuran bagi para pemegang saham,
4. Turut memberikan andil bagi pembangunan bangsa (Fahmi, 2006).
Untuk mengetahui kelayakan perusahaan untuk dijadikan tempat investasi
saham dapat dinilai dari laporan keuangannya. Terdapat beberapa parameter
dalam laporan keuangan yang dapat menentukan kelayakan tersebut, seperti :
Return on Assets dan Return on Equity yang menunjukkan efektivitas manajemen dalam menghasilkan profit dari investasi yang ditanamkan ke perusahaan (relatif
terhadap penjualan), hutang yang dimiliki perusahaan (semakin besar hutang
perusahaan maka semakin tidak layak dijadikan tempat berinvestasi), dan
stabilitas perusahaan perusahaan dalam menjaga growth dalam beberapa tahun
Saham dapat didefenisikan sebagai tanda atau bukti penyertaan atau pemilikan
seseorang atau badan dalam perusahaan atau persero terbatas. Saham berwujud
selembar kertas yang menerangkan bahwa pemilik kertas adalah pemilik
perusahaan yang menerbitkan surat berharga tersebut. Porsi kepemilikan
ditentukan oleh seberapa besar penyertaan yang ditanamkan dalam perusahaan
(Diana, 2006).
Penghasilan yang diperoleh oleh pemilik saham pada umumnya dibagi dua,
yaitu :
1. Deviden
Merupakan pembagian keuntungan yang diberikan perusahaan penerbit saham
kepada pemegang saham atas keuntungan yang diperoleh perusahaan.
2. CapitalGain
Merupakan keuntungan yang diperoleh pemegang saham akibat kenaikan
harga saham di pasar modal pada saat pemegang saham hendak menjual
saham tersebut (Falani, 2013).
2.5.1 Hal Yang Mempengaruhi Harga Saham
Menurut penelitian Simanjuntak terhadap harga saham pada industri makanan
di Bursa Efek Jakarta (BEJ) tentang “Pengaruh Kinerja Keuangan Perusahaan Terhadap Harga Saham Pada Industri Makanan dan Minuman di BEJ”,
menunjukkan bahwa Return on Asset (ROA), Return on Equity (ROE), EVA,
dan MVA mempunyai pengaruh yang signifikan terhadap harga saham secara
bersama-sama.
Hasil penelitian Sugeng Sulistiono pada perusahan farmasi yang terdaftar
di BEJ menyatakan bahwa variable ROA, dividen, financial leverage, tingkat
penjualan, tingkat likuiditas, dan tingkat bunga deposito berpengaruh secara
signifikan terhadap perubahan harga saham. (Diana, 2006).
Faktor fundamental yang sering digunakan untuk memprediksi harga
saham adalah rasio keuangan dan rasio pasar. Rasio keuangan yang digunakan
untuk memprediksi harga saham antara lain : Return On Assets (ROA), Debt
to Equity Ratio (DER), Book Value Per Share (BVS). Faktor teknikal yang
mempengaruhi harga saham antara lain : inflasi, nilai tukar mata uang, dan
19
2.5.2 Resiko Dalam Berinvestasi
Resiko dalam berinvestasi terbagi menjadi dua, yaitu resiko sistematik dan
resiko tidak sistematik. Resiko sistematik merupakan bagian dari perubahan
aktiva yang dapat dihubungkan kepada faktor umum yang juga disebut sebagai
resiko pasar atau resiko yang tidak dapat dibagi. Juga merupakan tingkat
minimum resiko yang dapat diperoleh bagi suatu portofolio yang dibuat
investor. Sedangkan resiko tidak sistematik adalah resiko unik yang ada pada
setiap perusahaan, misalnya terjadi bencana alam yang menimpa perusahaan,
dan lain-lain.
2.6 Analisis Kinerja Keuangan
Laporan keuangan merupakan gambaran atau kondisi keuangan perusahaan
dalam peranannya pada seluruh kegiatan perusahaan. Menurut Lesmana,
analisa kinerja keuangan adalah evaluasi kinerja di masa lalu dengan
melakukan berbagai analisis sehingga diperoleh posisi keuangan perusahaan
yang mewakili realitas perusahaan dan potensi-potensi kinerja yang akan
berlanjut.
Tujuan laporan keuangan di Indonesia dalam Pernyataan Standart
Akuntansi Indonesia (PSAK) paragraf 12 (IAI,2009) yaitu menyediakan
informasi yang menyangkut posisi keuangan, kinerja, serta perubahan posisi
keuangan suatu perusahaan yang bermanfaat bagi sejumlah besar penggunaan
dalam pengambilan keputusan ekonomi. Salah satu kualitas informasi
keuangan adalah predict value, yaitu kemampuan informasi keuangan untuk
meningkatkan keyakinan atas prediksi masa depan (SFAC No.2). Jadi
kemampuan prediktif sangat berpengaruh terhadap kualitas informasi yang ada
dan untuk memenuhi syarat informasi yang relevan informasi haruslah
memiliki predict value (Irmawati, 2011).
Dari penelitian terdahulu, maka di pilih beberapa perwakilan informasi
keuangan yang mempengaruhi harga saham, sebagai berikut (Harahap, 2005):
1. Earning Per Share (EPS). Rasio yang mengukur perbandingan pendapatan setelah pajak dengan jumlah saham beredar.
Number Of Share
2. Price Earnings Ratio (PER). Rasio yang mengukur perbandingan harga
penutupan saham dengan pendapatan pendapatan per saham.
Reg. Closing Price .……… (6) Earning Per Share
3. Price/Book Value (PBV). Rasio yang mengukur perbandingan harga penutupan saham dengan nilai buku saham.
Reg. Closing Price ………. (7) Book Value Per Share
4. Debt To Equity Ratio (DER) . rasio yang mengukur tingkat penggunaan hutang terhadap total kepemilikan saham.
Leverage ……… (8)
Owner‟s Equity
5. Return Of Investment (ROI). Rasio yang mengukur perbandingan pendapatan bersih dengan jumlah harta perbandingan pendapatan bersih
dengan jumlah harta
Net Income ……… (9)
Total Asset
6. Return Of Equity (ROE). Rasio yang mengukur perbandingan pendapatan
bersih dengan jumlah modal.
Net Income ……… (10)
Equity
7. Profit Margin (PM). Rasio yang mengukur perbandingan pendapatan usaha dengan penjualan.
Income ……… (11)
Total Sales
Dari informasi diatas, maka dapat diprediksi harga saham untuk waktu
berikutnya dengan formula sebagai berikut :
Y = a + X1EPSi(t-1) + X2PERi(t-1) + X3PBVi(t-1) + X4DERi(t-1) + X5ROIi(t-1) +
X6ROEi(t-1) + X7PMi(t-1).e …………(5)
Keterangan :
21
Rumus : Y = (Hst – Hso) x 100% .………(6)
Hso
Dimana :
7. Hst = Harga Saham Pada Periode Tertentu
8. Hso = Harga Saham Pada Periode Sebelumnya
a = Koefisien konstanta
X= Koefisien Variabel Independen
EPSi(t-1) = Earning Per Share perusahaan ke -1 pada tahun (t-1)
PERi(t-1) = Price Earning Ratio perusahaan ke -1 pada tahun (t-1)
PBVi(t-1) = Price Book Value Perusahaan ke-1 pada tahun (t-1)
DERi(t-1) = Debt To Equity perusahaan ke-1 pada tahun (t-1)
ROIi(t-1) = Return Of Investment perusahaan ke-1 pada tahun (t-1)
ROEi(t-1) = Return Of Equity perusahaan ke-1 pada tahun (t-1)
PMi(t-1) = Profit Margin perusahaan ke-1 pada tahun (t-1)
E = Koefisien error (variebel penggangu)
Parameter yang digunakan dalam memprediksi nilai saham adalah : Earning Per
Share (EPS), Price Earnings Ratio (PER), Price/Book Value (PBV), Debt To Equity Ratio (DER), Return Of Investment (ROI), Return Of Equity (ROE), Profit Margin
(PM). Data-data parameter tersebut diperoleh dari laporan keuangan seperti Gambar .
Gambar 2.5. Financial Report Perusahaan Gudang Garam Tbk.
23
Gambar 2.7. Laporan Dividen Perusahaan Gudang Garam Tbk.
Gambar 2.5, 2.6, dan 2.7 merupakan potongan laporan keuangan perusahaan Gudang
Garam Tbk. Dari laporan keuangan tersebut, maka diperoleh 11 nilai parameter
penentu nilai saham yang digunakan untuk pelatihan dan pengujian LVQ pada
perusahaan Gudang Garam Tbk. sebagai berikut :
- 2011
1. Earning After Tax (Pendapatan Setelah Pajak) : 10,129,368,000,000
2. Number Of Share (Jumlah Saham Beredar) : 1,924,088,000 3. Reg. Closing Price (Harga Penutupan Saham) : 67,000
5. Leverage (Liabilitas/Hutang) : 14,537,777,000
6. Owner‟s Equity (Total Ekuitas) : 24,550,928,000
7. Net Income (Pendapatan Bersih/Laba Bersih) : 41,884,352,000,000 8. Total Asset (Jumlah Aset) : 39,088,705,000,000 9. Equity (Modal Kerja Bersih) : 16,874,435,000,000
10. Income (Laba Usaha) : 6,838,642,000,000
11. Total Sales (Total Penjualan) : 41,800,000,000,000
- Dengan cara yang sama untuk memperoleh data tahun 2012, seperti ditunjukkan
pada Tabel 6 dan 7 (Tabel Terlampir).
- Kriteria yang digunakan untuk memilih Perusahaan Tempat Berinvestasi
adalah :
C1 : Harga Saham (Reg. Closing Price)
C2 : Dividen
C3 : Resiko (Ratio Liabilitas/Utang dengan Ekuitas)
C4 : Jangka Investasi
Dari Gambar A.1, A.2, dan A.3, diperoleh nilai kriteria untuk perusahaan Gudang
Garam Tbk. Sebagai berikut :
C1 : Reg.Closing Price : Harga Penutupan Saham = Rp.67,000
C2 : Di viden = Rp.1000
C3 : Resiko = 56.02%
C4 : Jangka Investasi = 1 Tahun
(Diihat dari cepat-lambatnya Pergerakan harga saham)
- Dengan cara yang sama, maka diperoleh tabel nilai kriteria dari alternatif
BAB 3
ANALISIS PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem merupakan suatu tahap yang dilakukan untuk membantu memahami
sesuatu yang menjadi masalah dan apa yang menjadi kebutuhan sistem. Hal ini
bertujuan untuk mengetahui permasalahannya agar dapat membantu proses
perancangan model suatu sistem yang akan dibangun sehingga menjadi tepat guna.
3.1.1 Analisis Permasalahan
Masalah yang ada pada perancangan sistem ini adalah menggunakan metode Learning
Vektor Quantization dalam memprediksi harga pergerakan saham di suatu perusahaan.
Kemudian dengan metode Weighted Product menampilkan urutan perankingan dari
setiap alternatif perusahaan yang masuk kedalam kelas perusahaan dengan prediksi
harga saham tinggi dimasa akan datang untuk kemudian dipilih menjadi perusahaan
tampat berinvestasi, dengan alasan sebagai berikut :
1. Investasi merupakan salah satu aktivitas penanaman modal pada perusahaan
terdaftar dengan tujuan memperoleh keuntungan. Namun, tidak semua
perusahaan terdaftar dapat menjanjikan keuntungan bagi investor. Untuk itu,
investor perlu mengetahui dengan baik keadaan harga saham perusahaan yang
akan dia pilih dalam jangka waktu tertentu.
2. Ada banyak perusahaan terdaftar di bursa efek dengan penawaran
berbeda-beda untuk para investor. Untuk itu, dibutuhkan alat pendukung bagi investor
Menentukan perusahaan yang tepat untuk dijadikan tempat berinvestasi dengan memprediksi harga saham dengan LVQ dan
merangking alternatif dengan WP
Material Metode
Manusia Mesin
Metode LVQ untuk memprediksi harga saham dan
WP untuk merangking alternatif perusahaan
Diperlukan ketelitian dalam memilih perusahaan tampat
berinvestasi
LVQ dan WP
Bahasa pemrograman Matlab
Gambar 3.1 Ishikawa Diagram
3.1.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi kebutuhan fungsional dan non-fungsional sistem.
3.1.2.1Kebutuhan Fungsional Sistem
Kebutuhan fungsional yang dimiliki oleh sistem pemilih perusahaan berinvestasi
adalah:
1. Sistem dapat memprediksi harga saham perusahaan berdasarkan laporan
keuangan.
2. Sistem dapat menghitung perubahan harga saham.
3. Sistem dapat menghasilkan perangkingan dari alternatif perusahaan terbaik untuk
dijadikan tempat berinvestasi.
3.1.2.2Kebutuhan Non-Fungsional Sistem
Untuk mendukung kinerja sistem, sistem sebaiknya dapat berfungsi sebagai berikut:
1. Tampilan antarmuka mudah dipahami.
2. User dapat dengan mudah mengoperasikan sistem.
3. Data yang terdapat pada sistem berupa data yang relevan, sehingga menghasilkan
pengenalan yang tepat.
27
3.1.3 Analisis Proses Sistem
Pada sistem ini terdapat dua metode yang digunakan yaitu Learning Vector
Quantization dan Weighted Product . Metode tersebut digunakan untuk menghasilkan
system yang dapat membantu user dalam memilih perusahaan tempat berinvestasi.
Berikut adalah contoh bagaimana penggunaan metode Learning Vector Quantization
dan Weighted Product.
3.1.3.1Analisis Proses Learning Vektor Quantization
Pada proses LVQ, input data pelatihan ada 34 data laporan keuangan perusahaan , dan
target yang diinginkan ada dua kondisi yaitu, harga saham naik dan harga saham
turun. Terdapat 7 faktor penentu nilai saham yang terdapat pada laporan keuangan.
Kemudian. Untuk kemudian ke-7 faktor tersebut akan dijadikan input. Kemudian
target yang di-input diubah kedalam vektor. Pada tahap selanjutnya tentukan jumlah
neuron yang akan digunakan. Di dalam program jumlah neuron berjumlah 7.
Selanjutnya jaringan LVQ dibangun, di dalam matlab source code yang digunakan
adalah net = newlvq(minmax(P), Neuron,(1/Kelas)*ones(1,Kelas)). Lalu tentukan juga
nilai-nilai parameter dan pelatihannya sebagai berikut :
net.trainParam.epochs = 1000
net.trainParam.goal = 0.001
net.trainParam.lr = 0.1
Kemudian, dilakukan pengujian. Data laporan keuangan disimpan, kemudian
ditentukan terget kelas masing-masing input. Hasil dari pelatihan adalah grafik yang
menunjukkan hubungan epoch dan goalnya. Apabila epoh sudah mencapai 1000 epoh
atau apabila learning goalnya sudah mencapai 0.001 maka grafik akan berhenti.
Berikut ini akan diberikan contoh sederhana bagaimana metode LVQ
melakukan pelatihan terhadap suatu pola. :
Dari perbandingan laporan keuangan tahunan perusahaan dari tahun
2011-2012, maka diperoleh input vektor. Dengan ketentuan jika
parameter-parameter kelayakan yang sudah ditentukan dibandingkan dengan data tahun
vektor adalah 1. Sebaliknya, jika data parameter lebih rendah maka input
vektor adalah 0.
Misal diketahui 2 input vektor dalam 2 kelas sebagai berikut :
Tabel 3.1 Input Vektor Masukan dan Kelasnya
No Input Vektor Kelas (T)
1 (1 1 1 1 1 0 1) 1
2 (0 0 0 0 0 1 0) 2
Dua input pertama dijadikan sebagai inisialisasi bobot :
Tabel 3.2 Bobot Kelas
No Bobot Kelas
1 (1 1 1 1 1 1 1) 1
2 (0 0 0 0 0 0 0) 2
Data yang lain yang akan dilatih :
α = 0.05
MaksEpoch = 10
Penurunan α = 0.1* α(lama)
Epoch ke-1
9. Data ke-1 : (1 1 1 1 1 0 1)
Bobot ke -1 :
= √
= 1
Bobot ke -2:
= √
= 2.44
Jarak terkecil pada bobot ke-1. Target data ke- 1 adalah kelas 1. Maka bobot
ke-1 yang baru adalah :
W11(baru) = W11(lama)+ α[X11-W11(lama)] = 1 +0.05*(1-1) = 1
W12(baru) = W12(lama)+ α[X12-W12(lama)] = 1 +0.05*(1-1) = 1
W13(baru) = W13(lama)+ α[X13-W13(lama)] = 1 +0.05*(1-1) = 1
W14(baru) = W14(lama)+ α[X14-W14(lama)] = 1 +0.05*(1-1) = 1
29
W16(baru) = W16(lama)+ α[X16-W16(lama)] = 1 +0.05*(0-1) = 0.95
W17(baru) = W17(lama)+ α[X17-W17(lama)] = 1 +0.05*(1-1) = 1
Sehingga bobot W1 sekarang adalah = (1 1 1 1 1 0.95 1); dan W2=(0 0 0 0 0 0
0)
10. Data ke-2 : (0 0 0 0 0 1 0)
Bobot ke -1:
=
√
= 2.46
Bobot ke-2 :
= √
= 1
Jarak terkecil pada bobot ke-2. Target data ke-2 adalah kelas 2. Maka bobot ke
-2 yang baru adalah :
W21(baru) = W21(lama) + α[X21-W21(lama)] = 0 + 0.05*(0-0) = 0
W22(baru) = W22(lama) + α[X22-W22(lama)] = 0 + 0.05*(0-0) = 0
W23(baru) = W23(lama) + α[X23-W23(lama)] = 0 + 0.05*(0-0) = 0
W24(baru) = W24(lama) + α[X24-W24(lama)] = 0 + 0.05*(0-0) = 0
W25(baru) = W25(lama) + α[X25-W25(lama)] = 0 + 0.05*(0-0) = 0
W26(baru) = W26(lama) + α[X26-W26(lama)] = 0 + 0.05*(0-1) = -0.05
W27(baru) = W27(lama) + α[X27-W27(lama)] = 0 + 0.05*(0-0) = 0
Sehingga bobot baru W2 = ( 0 0 0 0 0 -0.05 0); dan W1 = (1 1 1 1 1 0.95 1)
Update α sebelum masuk ke epoch ke-2
α = 0.1 * α(lama) = 0.005
Pengujian dengan input vektor : ( 1 0 1 1 1 0 1 )
Bobot ke -1
=
√
= 1.37
Bobot ke -2
=
= 2.24
Nilai Pengujian Minimum terdapat pada bobot ke -1, sehingga input ( 1 0 1 1 1
0 1 ) masuk kedalam kelas ke -1
3.1.3.2Analisis Proses Weighted Product
Weighted product dipakai untuk merangking alternatif perusahaan yang dijadikan
sampel, untuk menghasilkan urutan terbaik perusahaan yang masuk kriteria user.
Weighted product bekerja dengan menyeleksi perusahaan dengan bobot
masing-masing sesuai dengan kriteria yang sudah ditentukan. Diasumsikan bahwa seorang
pembuat keputusan dapat menetapkan bobot dari kriteria secara relafif
(Triantaphyllou, 1998).
Berikut adalah contoh perangkingan alternatif menggunakan Weighted
Product :
Kriteria yang digunakan untuk melakukan penilaian yaitu :
Tabel 3.3 Bobot Kriteria
Inisial Kriteria Bobot
C1 Harga Perlembar Saham 25%
C2 Profit 35%
C3 Resiko 15%
C4 Jangka Investasi 25%
Nilai W = [ 25, 35, 15, 25]
Alternatif Perusahaan yang akan dijadikan tempat berinvestasi :
Tabel 3.4 Kriteria kemampuan investor dalam penanaman modal (nilai
kriteria dari laporan keuangan setiap perusahaan)
Inisial Alternatif Perusahaan Kriteria
C1 C2 C3 C4
A1 PT Akasha Wira Internasional Tbk 2000 80 0.40 4
A2 PT Tiga Pilar Sejahtera Food Tbk 1430 350 0.53 4
31
Perbaikan bobot
C1 = 25 = 0.25
25+35+15+25
C2 = 35 = 0.35
25+35+15+25
C3 = 15 = 0.15
25+35+15+25
C4 = 25 = 0.25
25+35+15+25
Menghitung vektor S
S1 = (20000.25)(800.35)(0.400.15)(40.25) = 38.20
S2 = (14300.25)(3500.35)(0.530.15)(40.25) = 61.43
S3 = (250800.25)(50800.35)(0.630.15)(20.25) = 34.48
Menghitung preferensi (Vi) untuk perangkingan
V1 = 38.20 = 0.28
38.20+61.43+34.48
V2 = 61.43 = 0.45
38.20+61.43+34.48
V3 = 34.48 = 0.25
38.20+61.43+34.48
Nilai preferensi terbesar adalah V2 atau perusahaan PT Tiga Pilar
Sejahtera Food Tbk yang layak dijadikan tempat berinvestasi.
3.2 Pemodelan
Pemodelan pada sistem ini menggunakan UML untuk mendisain dan merancang
sistem pemilih perusahaan tempat berinvestasi. Adapun model- model UML yang
3.2.1Use Case Diagram
Use case diagram merupakan suatu diagram yang menggambarkan interaksi antara
sistem, eksternal sistem dan pengguna sistem. Menggambarkan bagaimana cara
menggunakan sistem dan seperti apa pengguna berinteraksi dengan sistem.
Sesuatu yang berinteraksi dan bertukar informasi dengan sistem disebut dengan
aktor. Aktor dapat berupa manusia, organisasi, sistem informasi, perangangkat luar,
dan waktu.
Gambar 3.2 Use case Diagram Sistem Ide Pemilihan Perusahaan Tempat Berinvestasi
3.2.1.1 Use Case Pelatihan LVQ
Tabel 3.5 Dokumentasi Naratif Use Case Pelatihan LVQ
Nama Use case Proses Pelatihan LVQ
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses pelatihan untu
memprediksi harga saham
Prakondisi Sistem sudah masuk kedalam tampilan antarmuka
pelatihan dan sudah siap menerima masukan dari Jaringan Syaraf Tiruan.
Bidang Khas
Aksi Aktor Respon Sistem
Langkah 1 : Pengguna memilih tombol Menu LVQ
Langkah 2 : Sistem menunjukkan pilihan Sub-Menu LVQ
Langkah 3 : Pengguna memilih sub-menu Pelatihan LVQ
Langkah 4 : Sistem menampilkan antarmuka pelatihan LVQ
Langkah 5 : Pengguna memasukkan data laporan
Langkah 6 : Sistem
33
keuangan kedalam editbox
dan menulis nilai saham, kemudian menekan tombol save
(.xlsx) ,memunculkan message box data berhasil disimpan
Langkah 7 : Pengguna menekan tombol Latih
Langah 9 : Pengguna akan memilih tombol Reset.
Langkah 10 : Sistem akan menghapus data laporan keuangan dan nilai saham Langkah 11 : Pengguna
akan memilih tombol Exit.
Langkah 12 : Sistem akan mengakhiri aplikasi.
Post-Kondisi Sistem akan menampilkan hasil pelatihan berupa banyak
epoch dan waktu pelatihan
3.2.1.2 Use case Pengujian LVQ
Tabel 3.6 Dokumentasi Naratif Use Case Pengujian LVQ
Nama Use case Proses Pengujian LVQ
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses Pengujian untuk
memprediksi nilai saham
Prakondisi Sistem sudah masuk kedalam tampilan antarmuka dan
sudah siap menerima masukan dari Jaringan Syaraf Tiruan.
Bidang Khas
Aksi Aktor Respon Sistem
Langkah 1 : Pengguna memilih tombol Menu LVQ.
Langkah 2 : Sistem menunjukkan pilihan sub-menu LVQ.
Langkah 3 : Pengguna memilih sub-menu Pengujian LVQ.
Langkah 4 : Sistem menampilkan antarmuka pengujian LVQ
Langkah 5 : Pengguna memasukkan data laporan
keuangan kedalam editbox
dan menulis nilai saham, kemudian menekan tombol Hasil
Langkah 6 : Sistem
menyimpan data kedalam file (.xlsx) , memunculkan hasil pengujian
Bidang Alternatif
Langah 7 : Pengguna akan memilih tombol Reset.
Langkah 8 : Sistem akan menghapus data laporan keuangan dan hasil prediksi saham
Langkah 12 : Pengguna akan memilih tombol Exit.
Langkah 13 :Sistem akan mengakhiri aplikasi.
Post-Kondisi Sistem akan menampilkan hasil pengujian berupa nama
3.2.1.3 Use case Merangking Alternatif Perusahaan
Tabel 3.7 Dokumentasi Naratif Merangking Alternatif Perusahaan
Nama Use case Proses Merangking Alternatif Perusahaan
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan proses perangkinagan
alternative perusahaan yang ada
Prakondisi Sistem sudah masuk kedalam tampilan antarmuka dan
sudah siap menerima masukan dari Sistem pendukung keputusan.
Bidang Khas
Aksi Aktor Respon Sistem
Langkah 1 : Pengguna memilih tombol Menu WP.
Langkah 2 : Sistem
menampilkan antarmuka WP
Langkah 3 : Pengguna mengisi bobot kriteria
Langkah 5 : Pengguna menekan tombol Proses
Langkah 6 : Sistem menampilkan hasil urutan
akternatif di dalam listbox
Bidang Alternatif
Langah 7 : Pengguna akan memilih tombol Reset.
Langkah 8 : Sistem akan menghapus data laporan keuangan dan hasil prediksi saham
Langkah 12 : Pengguna akan memilih tombol Exit.
Langkah 13 :Sistem akan mengakhiri aplikasi.
Post-Kondisi Sistem akan menampilkan hasil perangkingan sesuai urutan
3.2.2 Sequence Diagram
Sequence diagram adalah suatu diagram yang memodelkan logika use case dengan
menggambarkan interaksi atar objek dalam waktu berurutan. Interaksi antar objek
dilakukan dengan “messages”. Messages (Pesan) adalah komunikasi yang terjadi
diantara satu objek yang memanggil method dari objek lain untuk meminta informasi
atau tindakan lainnya. Berikut merupakan gambaran dari sequence diagram dari
35
3.2.2.1 Sequence Diagram Proses Pelatihan LVQ
Pelatihan LVQ Sistem
TombolLatihCallback(hObject, evetdata, handles)
SaveDataToDatabase(handles)
Konfimasi Penyimpanan Data
Tampil Jendela Neural Network Training Top Package::Actor
Gambar 3.3 Sequence Diagram Proses Pelatihan LVQ
3.2.2.2 Sequence Diagram Proses Pengujian LVQ
Pengujian LVQ Sistem
saveToDatabase(); saveToDatabase();
Konfirmasi Penyimpanan Data Konfirmasi
HasilCallback(); Tampilkan Hasil Top Package::actor