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
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,
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,
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.
DAFTAR ISI
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
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
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
