PENERAPAN ALGORITMA ROUGH SET DAN METODE
ANALISIS RASIO DALAM MENGANALISA LAPORAN
KEUANGAN (Studi Kasus Di Bursa Efek Indonesia Cabang
UPI-YPTK)
Emil Riza Putra, S.Kom
1), Prof. Dr. Sarjon Defit, M.Kom
2),
Dr. Ir. Gunadi Widi Nurcahyo, M.Sc
3)1) Magister Ilmu Komputer, UP I-YP TK, P adang email: emilriza92@gmail.com
2) Magister Ilmu Komputer, UP I-YP TK, P adang email: sarjondefit@upiyptk.ac.id
3) Magister Ilmu Komputer, UP I-YP TK, P adang email: gunadiwidinurcahyo@upiyptk.ac.id
Abstrak – Laporan keuangan merupakan gambaran keuangan perusahaan selama periode tertentu. Laba rugi perusahaan dapat dilihat dari laporan keuangan perusahaan tersebut. Laporan keuangan biasa dilakukan dengan metode analisis rasio, yang berguna untuk melihat rasio keuangan sebuah perusahaan. Di dalam hasil rasio keuangan beberapa perusahaan di bidang makanan, terdapat pengetahuan yang tersembunyi. Pengetahuan tersembunyi tersebut dapat dicari menggunakan metode Rought Set. Penelitian dilakukan dengan menganalisa laporan keuangan perusahaan di bidang makanan pada triwulan III tahun 2015 di Bursa Efek Indonesia cabang UPI-YPTK. Setelah dilakukan analisa lanjutan menggunakan Rought Set, diketahui bahwa perusahaan yang memiliki keuntungan adalah perusahaan yang memiliki rasio baik. Dari penelitian ini dapat diketahui bahwa Rought Set dapat digunakan sebagai salah satu metode dalam menganalisa laporan keuangan.
Kata Kunci : Data Mining, Pengetahuan, Rough Set, Analisis Rasio, Laporan Keuangan.
1. PENDAHULUAN
Perkembangan teknologi informasi yang semakin pesat dewasa ini, maka sangat memungkinkan bagi suatu organisasi, perusahaan, instansi pemerintah ataupun perorangan untuk menggunakan dan menerapkan hasil dari teknologi tersebut. Salah satu hasil dari teknologi informasi tersebut bisa digunakan untuk memperoleh knowledge yang diperlukan sebagai bahan dalam pengambilan keputusan. Bahan tersebut bisa berbentuk data, di mana data yang terkumpul akan semakin banyak seiring dengan waktu operasi organisasi atau instansi pemerintah tersebut.
Salah satunya adalah Bursa Efek Indonesia yang merupaka pasar modal terbesar di Indonesia, dan telah memiliki cabang di kota-kota besar di Indonesia. Salah satunya ialah cabang UPI-YPTK, yang merupakan cabang yang baru berdiri. Perusahaan yang terdaftar di bursa efek wajib mempublikasikan laporan membeli, menjual atau mempertahankan saham perusahaan tersebut.
Dalam melakukan proses penanaman modal melalui kegiatan jual beli saham yang ditawarkan oleh perusahaan, seorang investor akan mengharapkan adanya suatu tingkat pengembalian atas saham yang dibelinya. Tingkat pengembalian dapat diperoleh melalui pembagian deviden dan capital gain yaitu selisih dari harga sewaktu membeli dan menjual saham (Ratih Puspitasari, 2011).
Rough Set digunakan untuk mengklasifikasikan komposisi matrix untuk menghasilkan rule yang tersembunyi (Bhattacharya, 2014). Dengan Rough Set saya mencoba untuk membandingkan setiap parameter yang ada. Sumber pengambilannya berasal dari output yang dihasilkan dari analisis sebelumnya. Setelah mendapatkan hasil berdasarkan jumlah rasio keuangan maka parameter-parameter tersebut dapat diketahui karakteristik dari setiap perusahaan yang terdaftar di Bursa Efek Indonesia.
Rough set diperlukan dalam proses ini untuk menangani masalah uncertainty, imprecision dan vagueness sehingga ditemukan pola hubungan yang cocok dengan penelitian ini (Noor Akhmad, 2012)
analisis laporan keuangan tersebut. Dari kondisi tersebut, maka dalam penelitian ini diusulkan metode analisis rasio untuk menganalisis laporan keuangan perusahaan dan algoritma Rough Set untuk mencari knowledge dari hasil analisis laporan keuangan tersebut.
2. LANDASAN TEORI
2.1 Knowledge Discovery in Databases (KDD)
Knowledge Discovery in Databases
(KDD) sering kali digunakan secara bergantian dengan Data Mining untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda akan
ditunjukkan pada Gambar 2.1 :
Gambar 2.1. Proses dalam KDD
Ada tiga proses dalam KDD (preprocessing, Data Mining, pasca processing), preprocessing dieksekusi sebelum teknik Data Mining yang diterapkan pada data. Proses preprocessing meliputi data cleaning, integrasi data, seleksi data dan transformasi data. Proses utama KDD adalah proses Data Mining, dalam proses ini algoritma yang berbeda diterapkan untuk menghasilkan pengetahuan yang tersembunyi. Setelah proses lain yang disebut pasca processing, mengevaluasi hasil Data Mining sesuai dengan kebutuhan pengguna dan pengetahuan umum. Mengenai hasil evaluasi, pengetahuan dapat disajikan jika hasilnya memuaskan, kalau tidak kita harus menjalankan beberapa atau semua
mana mungkin memiliki beberapa inkonsistensi
dan redundansi. Membersihkan sumber data dengan menghapus data atau membuat beberapa perubahan. Setelah bersih dan integrasi database, pilih data terkait dari sumber yang terintegrasi dan mengubahnya menjadi format yang siap untuk diproses.
2.1.1Data Mining
Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Istilah Data Mining memiliki hakikat sebagai disiplin ilmu yang tujuan utamanya adalah untuk menemukan, menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki (Mujib Ridwan, 2013).
2.1.2 Tahapan Data Mining
Sebagai suatu rangkaian proses, Data Mining dapat dibagi menjadi beberapa tahap proses yang diilustrasikan pada Gambar 1. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base (Mujib Ridwan, 2013).
Tahap-tahap Data Mining adalah sebagai berikut:
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilang-kan noise dan data yang tidak konsisten atau data tidak relevan.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu
database baru.
3. Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam Data Mining.
5. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. Beberapa metode yang dapat digunakan berdasarkan pengelompokan
Data Mining.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang ditemukan.
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.
Gambar 2.2. Tahap-Tahap Data Mining
2.1.3 Algoritma Rough Set
Algoritma Rough Set adalah sebuah teknik matematik yang dikembangkan oleh Pawlack pada tahun 1980. Teknik ini digunakan untuk menangani masalah Uncertainty, Imprecision
dan Vagueness dalam aplikasi Artificial Intelligence (AI). Ianya merupakan teknik yang efisien untuk Knowledge Discovery in Database
(KDD) proses dan Data Mining (Nurhayati, 2014).
Secara umum, teori Rough Set telah digunakan dalam banyak applikasi seperti
medicine, pharmacology, business, banking, engineering design, image processing dan
decision analysis. Rough set menawarkan dua bentuk representasi data yaitu Information Systems (IS) dan Decision Systems (DS).
2.2 Analisis Laporan Keuangan
Menurut Lembaga Studi Manajemen Anggaran Publik (LS-MAP, 2010) menyatakan bahwa Menurut Ikatan Akuntan Indonesia Analisis Laporan Keuangan adalah analisis terhadap neraca dan perhitungan rugi laba serta segala keterangan-keterangan yang dimuat dalam lampiran-lampiran nya untuk mengetahui gambaran tentang posisi keuangan dan perkembangan usaha perusahaan yang bersangkutan.
Pengertian analisa rasio keuangan menurut James C van Horne dalam buku Kasmir (2010, h104) adalah indeks yang menghubungkan dua angka akuntansi dan diperoleh dengan membagi satu angka dengan angka lainnya. Rasio keuangan digunakan untuk mengevaluasi kondisi keuangan dan kinerja perusahaan.
3. HASIL DAN PEMBAHASAN
Dalam menganalisa laporan keuangan dapat dilakukan dengan metode Analisis Rasio, data dikelompokkan berdasarkan rasio - rasio yang telah ditentukan. Pengelompokan data
laporan keuangan berdasarkan keperluarn analisis rasio dapat dilihat seperti tabel 4.2 dan 4.3.
Setelah didapati rekapitulasi data laporan keuangan yang akan digunakan dalam melakukan analisis rasio, langkah selanjutnya adalah melakukan analisis rasio yang dimulai dari rasio Liquiditas. Rasio Liquiditas terbagi atas 5 sub rasio yaitu rasio lancar, rasio cepat, rasio kas, perputaran kas dan inventoi to net working capital. Berikut ini adalah perhitungan rasio Liquiditas :
Perhitungan rasio liquiditas seluruh perusahaan secara lengkap dapat dilihat pada tabel 4.4.
Setelah dihitung menggunakan rumus rasio
liquiditas maka didapatkan hasil analisis
liquiditas, hasil lengkapnya dapat dilihat pada tabel 4.5.
Pada tabel 4.5 di atas didapatan hasil analisis rasio Liquiditas secara keseluruhan dengan sub rasio rasio lancar (RL1), rasio cepat (RL2), rasio kas (RL3), perputaran kas (RL4),
Inventori to Net Working Capital (RL5). Hasil tersebut diukur oleh standar industri (STI) yang berlaku. Semakin besar nilai rasio dari standar industri maka kinerja rasio tersebut semakin baik, begitu juga sebaliknya. Hasil rasio yang berada diatas standar industri ditandai dengan tulisan tebal.
Langkah selanjutnya adalah melakukan analisis rasio Solvabilitas. Rasio Solvabilitas
terbagi atas 4 sub rasio yaitu debt to asset rasio, debt to equity ratio, long term debt equity rati
dan time interested earned. Berikut ini adalah perhitungan rasio Solvabilitas :
1. PT. Indofood Sukses Makmur. Tbk a. Debt to Asset Ratio
b. Debt to Equity Ratio
c. Long-Term Debt to Equity Ratio
d. Time Interest Earned
Perhitungan rasio Solvabilitas seluruh perusahaan secara lengkap dapat dilihat pada tabel 4.6.
Setelah dihitung menggunakan rumus rasio
Pada tabel 4.7 di atas didapatan hasil analisis rasio Liquiditas secara keseluruhan dengan sub rasio Debt To Asset Rasio (RS1),
Debt To Equity Ratio (RS2), Long Term Debt Equity Ratio (RS3), Time Interested Earned
(RS4). Hasil tersebut diukur oleh standar industri (STI) yang berlaku. Semakin kecil nilai rasio dari standar industri maka kinerja rasio tersebut semakin baik kecuali Time Interested Earned, begitu juga sebaliknya. Hasil rasio yang lebih baik dari standar industri ditandai dengan tulisan tebal.
Langkah selanjutnya adalah melakukan analisis rasio Aktivitas. Rasio Aktivitas terbagi atas 5 sub rasio yaitu perputaran piutang, perputaran persediaan, perputaran modal kerja,
fixed asset turn over dan perputaran total aktiva.
Berikut ini adalah perhitungan rasio Aktivitas : 1. PT. Indofood Sukses Makmur. Tbk
Perhitungan rasio Aktivitas seluruh perusahaan secara lengkap dapat dilihat pada tabel 4.8.
Pada tabel 4.9 di atas didapakan hasil analisis rasio Aktifitas secara keseluruhan dengan sub rasio yaitu perputaran piutang (RA1), perputaran persediaan (RA2), perputaran modal kerja (RA3), fixed asset turn over (RA4) dan perputaran total aktiva (RA5). Hasil tersebut diukur oleh standar industri (STI) yang berlaku. Semakin besar nilai rasio dari standar industri maka kinerja rasio tersebut semakin bai. Hasil rasio yang lebih baik dari standar industri ditandai dengan tulisan tebal.
Langkah terakhir adalah melakukan analisis rasio Profitabilitas. Rasio Profitabilitas
terbagi atas 3 sub rasio yaitu net profit margin, return of invesment dan return of equity. Berikut ini adalah perhitungan rasio Profitabilitas :
1. PT. Indofood Sukses Makmur. Tbk
Perhitungan rasio Profitabilitas seluruh perusahaan secara lengkap dapat dilihat pada tabel 4.10.
Setelah dihitung menggunakan rumus rasio Profitabilitas maka didapatkan hasil analisis ini seperti tabel 4.11.
Pada tabel 4.11 di atas didapatan hasil analisis rasio Profitabilitas secara keseluruhan dengan sub rasio yaitu Net Profit Margin (RP1),
Return Of Invesment (RP2), Return Of Equity
(RP3). Hasil tersebut diukur oleh standar industri (STI) yang berlaku. Semakin besar nilai rasio dari standar industri maka kinerja rasio tersebut semakin bai. Hasil rasio yang lebih baik dari standar industri ditandai dengan tulisan tebal.
Analisa Hasil Analisis Rasio
Setelah didapatkan data jumlah rasio yang berada di atas standar industri, maka tahap selanjutnya adalah mengidentifikasi apakah rasio perusahaan tersebut baik atau tidak baik. Rasio Liquiditas dinyatakan baik apabila jumlah rasio yang berada di atas standar industri yaitu di atas 3 buah, rasio Solvabilitas dinyatakan baik apabila jumlah rasio yang berada di atas standar industri di atas yaitu 2 buah, rasio Aktivias dinyatakan baik apabila jumlah rasio yang berada di atas standar industri yaitu di atas 1 buah, rasio Profitabilitas dinyatakan baik apabila jumlah rasio yang berada di atas standar industri yaitu di atas 0 buah. Hasil pernyataan baik atau buruk tersebut digunakan sebagai input dalam analisa berikutnya dengan menggunakan Rough Set seperti pada tabel 4.13 berikut ini :
Analisa Metode Rough Set
Setelah didapatkan hasil dari analisis rasio, maka tahap selanjutnya adalah menganalisa data tersebut dengan menggunkan metode Rought Set. Adapun metode Rought Set
terdiri dari beberapa tahapan yaitu : 1. Decission System
Decission System merupakan
Information System yang telah memiliki keputusan atau hasil berdasarkan asumsi yang telah memenuhi syarat dan ketentuan
berdasarkan atributnya. Berukut adalah tabel Decission System dari hasil analisis rasio laporan keuangan perusahaan pada triwulan III.
Tabel 4.15 memperlihatkan sebuah
Decission System yang sederhana, yang terdiri dati n objel, E1, E2, E3, E4, E5, E6, E7, E8, E9, E10.
2. Equivalence Class
Equivalence Class adalah pengelompokan objek-objek yang sama seperti yang digambarkan pada tabel 4.16
3. Discernibility Matrix atau Discernibil-ity Matrix Modulo D
Setelah dilakukan klasifikasi dengan
Equivalence Class. Langkah selanjutnya untuk menganalisa data tersebut adalah dengan salah satu proses antara Discernibility Matrix
atau Discernibility Matrix Modulo D. Untuk menghitung Discernibility Matrix atau Discernibility Matrix Modulo D kita menggunakan tabel acuan Discernibility Matrix atau
Discernibility Matrix Modulo D seperti yang terlihat pada tabel 4.17, untuk melihat bagaimana cara mengklasifikasi data dengan menggunakan Discernibility Matrix
dapat dilihat pada tabel 4.19 dan 4.20.
Setelah mendapati tabel acuan
Discernibility Matrix atau Discernibility Matrix Modulo D maka langkah selanjutnya adalah mencari nilai dari Discernibility Matrix seperti yang terdapat pada tabel 4.19 :
Tabel 4.19 Discernibility Matrix
Discernibility Matrix Modulo D. Discernibility Matrix Modulo D ini merupakan sekumpulan atribut yang berbeda antara objek ke-i dan objek
ke-j beserta dengan atribut hasilnya seperti terlihat pada tabel 4.20 :
Tabel 4.20 Discernibility Matrix
Adapun penulis menggunakan
Discernibility Matrix Modulo D sebagai acuan untuk penelitian ini.
4. Reduction
Berikut ini adalah Reduction dari Data Mining “Analisa Laporan Keuangan” : EC1 = A untuk menentukan General Rules nya. Adapun General Rules dari hasil
Reduction yang dideskripsikan pada
tabel penyeleksian analisis rasio adalah sebagai berikut :
1. Berdasarkan nilai Reduct {A}
If Rasio Liquiditas Baik then
laba/rugi = laba
If Rasio Liquiditas Tidak Baik
then laba/rugi = rugi
2. Berdasarkan nilai Reduct {B}
If Rasio Solvabilitas Baik then
laba/rugi = laba
If Rasio Solvabilitas Tidak Baik
then laba/rugi = laba or laba/rugi = rugi
3. Berdasarkan nilai Reduct {D}
If Rasio Profitabilitas Baik then
laba/rugi = laba
If Rasio Profitabilitas Tidak Baik
then laba/rugi = laba or laba/rugi = rugi
Jadi jumlah General Rules keseluruhan adalah 6 keputusan atau pengetahuan yang baru. Setelah didapat General Rules berarti selesai proses dari pengolahan Data Mining untuk mengetahui pengetahuan yang terdapat pada hasil analisis rasio perusahaan yang terdaftar di Bursa Efek Indonesia.
Dari General Rules yang diperoleh dapat disimpulkan apabila nilai rasio terdapat dalam kondisi baik maka perusahaan tersebut memperoleh laba, sedangkan perusahaan yang merugi tidak memiliki rasio yang berada dalam kondisi baik.
4. KESIMPULAN Kesimpulan
Dalam penulisan tesis ini dapat disimpulkan beberapa hal yang diperlukan untuk menganalisis laporan keuangan perusahaan dibidang makanan yang terdaftar di Bursa Efek Indonesia pada triwulan III tahun 2015. Peneliti menggunakan metode analisis rasio dalam mengolah laporan keuangan tersebut, kemudian menggunakan algoritma
Rough Set untuk mengolah kembali hasil analisis rasio. Dalam penelitian tersebut, peneliti menarik kesimpulan sebagai berikut: 1. Analisa laporan keuangan
menggunakan metode analisis rasio dilaku-kan untk menganaisa laporan keuagan tri-wulan III tahun 2015, laporan tersebut akan menghasilkan rasio keuangan.
2. Hasil dari rasio keuangan peru-sahaan yang didapatkan menggunakan analisis rasio dilakukan pengolahan kem-bali menggunakan Rough Set, dari pengo-lahan data menggunakan Rough Set dipatkan pengetahuan tersembunyi yang da-pat digunakan investor sebagai salah satu bahan pertimbangan untuk membeli sa-ham.
Setelah penulis menyelesaikan tahap akhir dari penelitian ini, penulis menyadari masih banyak kekurangan-kekurangan yang mesti diperbaiki dan dipenuhi, antara lain :
1. Penelitian ini masih jauh dari sempurna dan hanya di implementasikan pada laporan keuangan yang diterbitkan Bursa Efek Indonesia pada periode triwulan III tahun 2015. Pada suatu saat nanti penelitian ini mungkin bisa dikembangkan lagi menjadi penelitian yang lebih kompleks.
2. Penelitian ini merupa-kan penelitian yang masih jarang dilaku-kan, karena melibatkan dua metode dari disiplin ilmu yang berbeda.
3. Penulis mengharap-kan agar hasil dari penelitian ini dapat menjadi pembuka jalan bagi peneliti lain yang ingin menerapkan metode dari dua atau lebih disiplin ilmu yang berbeda da-lam melakukan sebuah penelitian.
4. Penulis
mengharapkan agar hasil dari penelitian ini dapat bermanfaat bagi penulis dan khususnya bagi investor yang akan mela-kukan pembelian saham.
DAFTAR REFERENSI
Babalola, 2013, Financial Ratio Analysis of Firms: A Tool for Decision Making
Bhattacharya, 2014, Watermarking Digital Image Using Fuzzy Matrix Compositions and Rough Set
Jnanamurthi, 2013, Discovery of Maximal Frequent Item Sets using Subset Creation Listiana, 2012, Accurate Topological Measures
for Rough Sets
Kashmir, 2010, Analisis Laporan Keuangan,
Cetakan Ke-3, PT. Rajagrafindo Persada, Jakarta.
Mujib Ridwan, 2013, Penerapan Data Mining
Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive BayesClassifier
Noor Akhmad, 2012, Seleksi Aturan Menggunakan Rough Set Theory Untuk Diagnosis Gangguan Transformator Daya Berbasis Dissolved Gas Analysis (DGA) Nurhayati, 2011, Metode Rought Set Untuk
Melihat Perilaku Suami yang Mnjadi Aseptor KB Vasetonomi
Ratih Puspita Sari, 2011, Analisis Rasio Likuiditas, Rasio Solvabilitas Dan Rasio Profitabilitas Untuk Mengukur Kinerja Keuangan Pada PT. KUD Kopta Unit Tambang Di Samarinda
