Analisis Runtun Waktu Return on Equity (ROE) untuk Prediksi Profitabilitas Bisnis Perusahaan dengan
Algoritma Neuro-Fuzzy
Muksan Junaidi 1, Adhika Pramita Widyassari2
1,2Jurusan Teknik Elektro, Sekolah Tinggi Teknologi Ronggolawe Cepu Email: 1[email protected], 2[email protected]
Abstrak
Profitabilitas adalah kemampuan perusahaan dalam menghasilkan laba operasi secara baik dari modal sendiri sehingga memberikan keuntungan bagi para pemegang saham atau investor.
Prediksi profitabilitas bisnis dipakai sebagai peringatan awal pada kondisi perusahaan itu sehat atau tertekan. Metode untuk menangani masalah prediksi mengunakan algoritma neuro-fuzzy.
Penelitian ini bertujuan mengembangkan analisis runtun waktu untuk prediksi profitabilitas bisnis perusahaan mengunakan algoritma neuro-fuzzy model adaptive neuro-fuzzy inferensi system (ANFIS). Data penelitian bersifat kuantitatif diambil dari Bursa Efek Indonesia (BEI) melalui wibesitenya www.idx.co.id. Populasinya adalah perusahaan emiten LQ45 antara tahun 2011-2015 jumlah 69 perusahaan. Pemrosesan awal, menghitung rasio keuangan profitabilitas untuk mendapatkan nilai return on equity (ROE) sebelum diinput ke sistem neuro-fuzzy model ANFIS. Dengan memanfaatkan model GUI Matlab untuk percobaan simulasi dan evaluasi pada penelitian. Hasil perhitungan rasio profitabilitas ROE tahun 2015 dibandingkan dengan nilai prediksi runtun waktu dari model ANFIS. Analisa akhir menunjukkan bahwa keluaran dari aplikasi runtun waktu model ANFIS mempunyai kemampuan prediksi yang optimal, efisien, konsisten dan paling mendekati nilai rata-rata rasio profitabilitas ROE tahun 2015 yaitu sebesar 9.95% untuk fungsi keanggotaan Segitiga, sedangkan pada fungsi keanggotaan Trapesium, Gauss dan G-bell hasilnya kurang optimal.
Kata Kunci: Runtun waktu, return on equity (ROE), profitabilitas, prediksi, neuro-fuzzy Abstract
Profitability is the company's ability to generate operating profit well from its own capital so as to provide benefits for shareholders or investors. Business profitability prediction is used as an early warning on the condition of the company being healthy or depressed. The method for handling prediction problems using neuro-fuzzy algorithms. This study aims to develop a time series analysis to predict the profitability of a company's business using the neuro-fuzzy algorithm adaptive neuro-fuzzy inference system (ANFIS) model. Quantitative research data is taken from the Indonesia Stock Exchange (IDX) through its www.idx.co.id authority. The population is the company issuer LQ45 between 2011-2015 the number of 69 companies. Initial processing, calculating profitability financial ratios to get the return on equity (ROE) value before being inputted to the ANFIS neuro-fuzzy system. By utilizing the Matlab GUI model for simulation and evaluation experiments on research. The results of the calculation of the ROE profitability ratio in 2015 were compared to the predicted value of the time series of the ANFIS model. The final analysis shows that the output from the time series application of the ANFIS model has optimal, efficient, consistent and closest predictive ability to the average ROE profitability ratio in 2015 which is 9.95% for the Triangle membership function, while in the membership function Trapezoid, Gauss and G-bell the results are less than optimal.
Keyword: Time series, return on equity (ROE), profitability, prediction, neuro-fuzzy
1. PENDAHULUAN
Perekonomian Indonesia diawal tahun 2014 melambat hingga akhir tahun 2016 berfluktuasi dengan nilai tukar rupiah terhadap dollar AS melemah di level 13,369.
Hal ini berdampak pada perdagangan saham di pasar modal Bursa Efek Indonesia (BEI). Memasuki quartal dua, 2017 rupiah masih terpuruk dilevel 13,391. Pasar modal dapat memberikan alternatif investasi tidak terbatas pada sektor “aset riil” dan perbankan, para investor bisa menanamkan dananya di pasar modal. Saham-saham di BEI yang diminati investor salah satunya adalah saham LQ-45.
Indeks LQ45 [1] menunjukan nilai volume perdagangan terus menurun hingga akhir tahun 2015. Rata-rata profitabilitas ROE tahun 2011 sebesar 21.66% turun 18.98% ditahun 2012, kemudian turun 14.64% di tahun 2013, selanjutnya tahun 2014 turun lagi 13.31% dan tahun 2015 turun 9.39%. Rasio ROE ini dipergunakan sebagai ukuran keberhasilan perusahaan dalam menghasilkan keuntungan atau laba bagi para pemegang saham atau investor [2]. Disamping itu rasio bisa digunakan untuk memprediksi kondisi keuangan perusahaan di akhir tahun.
Prediksi profitabilitas bisnis perusahaan mengunakan rasio ROE ini adalah sebagai peringatan dini tentang kondisi perusahaan tersebut sehat atau tertekan. Teknik prediksi dengan metode data mining dengan algoritma neuro-fuzzy model ANFIS.
Penelitian ANFIS [3] berisi peramalan suhu udara di Yogyakarta dengan mengunakan model fuzzy. Pada [4] diteliti implementasi fuzzy neural network untuk memperkirakan jumlah kunjungan pasien poli bedah di Rumah Sakit Onkologi Surabaya. Pada [5] diteliti peramalan produk domestik regional bruto (PDRB) propinsi bali dengan mengunakan metode fuzzy time series. Pada [6] diteliti sistem lampu lalu lintas dinamis berbasis neuro-fuzzy. Pada [7] diteliti analisis data runtun waktu dengan metode adaptive neuro-fuzzy inference system (ANFIS). Pada [8]
diteliti perbandingan akurasi backpropagation neural network dan ANFIS untuk memprediksi cuaca. Hasil model ANFIS tingkat akurasinya sangat baik, konsisten, optimal, fleksibel, stabil, efektif, dan nilai kesalahannya kecil.
Inferensi fuzzy model ANFIS yang digunakan adalah Tagaki-Sugeno-Kang (TSK) orde satu disebabkan mudah dan sederhana pada proses komputasi. Penelitian ini merupakan analisis runtun waktu return on equity (ROE) untuk prediksi profitabilitas bisnis perusahaan dengan algoritma neuro-fuzzy model ANFIS dengan studi empirik pada perusahaan emiten LD45 di BEI tahun 2011-2015.
2. METODE
2.1. Profitabilitas Return on Equity
Profitabilitas atau rentabilitas adalah mengukur kemampuan perusahaan dalam mendapatkan laba melalui semua kemampuan dan sumber yang ada seperti volume penjualan, total aktiva dan modal sendiri [9]. Profitabilitas fokus pada hasil operasi dan sumber daya perusahaan yang tersedia serta tergantung pada efisiensi dan efektifitas pelaksanaan operasi yang dilaporkan pada laba-rugi dan sumber daya
perusahaan. Perusahaan dengan profitabilitas tinggi akan diminati sahamnya oleh investor. Sehingga, besar kecilnya profitabilitas yang dihasilkan dapat berpengaruh pada harga saham perusahaan [8]. Rasio profitabilitas ROE menurut [10] dapat dirumuskan sebagai berikut.
ROE (%) = (NIAT/ Equity) x 100 % (1) NIAT=Net Income After Tax(laba bersih sesudah pajak)
Equity = Total modal sendiri
Nilai ROE > 12% dikatakan perusahaan sangat sehat, sebaliknya kurang dari 12%
akan berpengaruh pada persepsi investor. Ketentuan BI No.6/23/DPNP, 31-Mei-2004 ditetapkan, bahwa bank-bank yang sehat kinerjanya yaitu nilai ROE berkisar antara 5% - 12,2%.
2.2. Analisis Runtun Waktu
Time series merupakan data-data yang di catat, atau diamati dalam serangkaian tahapan waktu [11]. Time series merupakan sekumpulan data berasal dari waktu ke waktu, seperti mingguan, bulanan, kwartalan, dan tahunan dan sebagai dasar untuk peramalan. Kegunaannya untuk melihat perkembangan suatu objek yang di teliti dari waktu ke waktu. Dari nilai masa lalu hingga waktu 't' titik awal prediksi dan waktu prediksi 't + p'. untuk pemetaan dari titik ‘D’ time series sampai titik 'Δ' secara terpisah dapat dirumuskan.
x(t + p) = [x(t-(D-1) Δ)]... x(t-Δ), x(t) (2) Peramalan yang akurat adalah yang meminimalkan kesalahan pada proses meramal.
2.3. Algoritma neuro-fuzzy Model ANFIS
Neuro-fuzzy adalah sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran dari turunan sistem neural network. Neuro-fuzzy salah satu dari sistem hybrid di soft computing untuk memperoleh algoritma yang lebih sempurna [12].
Model neuro-fuzzy seperti ANFIS diusulkan pada [13]. Struktur ANFIS yang sangat dikenal adalah inferensi fuzzy model Takagi-Sugeno-Kang orde satu [12] seperti Gambar 1.
Gambar 1. Ilustrasi struktur sistem ANFIS
Arsitektur ANFIS terdiri dari lima lapisan antara lain sebagai berikut.
Layer-1: layer pertama setelah x dan y. Setiap node i ke-I di layer ini merupakan adaptive node dengan node fungsi:
O1,i = µ Ai (x) untuk tiap i = 1, 2, atau (3) O1, i = µ Bi – 2(y) untuk tiap I = 3,4 (4) Mengunakan fungsi anggota, generalize bell:
𝑂2,𝑖= 𝑤𝑖= 𝜇𝐴𝑖(𝑥) × 𝜇𝐵𝑖(𝑦) , 𝑖 = 1,2 (5) Dimana { ai , bi, ci } adalah parameter set.
Layer-2: Tiap node layer adalah node yang tetap ditandai sebagai Π.
𝑂2,𝑖= 𝑤𝑖= 𝜇𝐴𝑖(𝑥) × 𝜇𝐵𝑖(𝑦) , 𝑖 = 1,2 (6) Layer-3: Tiap node layer adalah node tetap sebagai N. Node ke - i menghitung rasio dari kekuatan rule ke - i.
𝑂3,𝑖= 𝑤̅̅̅ =𝑖 𝑤𝑤𝑖
1+𝑤2 , 𝑖 = 1,2 (7) Layer 4: Tiap node i layer adalah node adaptif dengan node fungsi:
𝑂4,𝑖= 𝑤̅̅̅𝑓𝑖 𝑖= 𝑤̅̅̅(𝑝𝑖 𝑖𝑥 + 𝑞𝑖𝑦 + 𝑟𝑖) (8) Layer 5 : Node layer ini sebagai Σ, yang menghitung keluaran dari lapisan 4 𝑂5,𝑖= ∑ 𝑤̅̅̅𝑓𝑖 𝑖=∑ 𝑤∑ 𝑤𝑖𝑓𝑖
𝑖 (9) 2.4. Langkah dan Perancangan Penelitian
Bagan alir perancangan penelitian dapat disajikan pada Gambar 2.
Gambar 2. Alir perancangan penelitian
1. Tinjauan Pustaka
Sumber data referensi dari prosiding, jurnal nasional maupun internasional sesuai topik penelitian.
2. Persiapan Data Penelitian
Data penelitian diambil dari website IDX (www.idx.co.id) perusahaan emiten LQ45 di BEI antara tahun 2011-2015, berjumlah 69 perusahaan.
3. Penentuan Masalah Penelitian
Metoda prediksi mengunakan algoritma neuro-fuzzy dengan sistem hybrid model Adaptive Neuro Fuzzy Inference System (ANFIS).
4. Penyelesaian dengan Pendekatan Komputasi
Proses komputasi mengunakan algoritma neuro-fuzzy model ANFIS input data runtun waktu.
5. Pembentukan Struktur neuro-fuzzy ANFIS
Pembentukan struktur ANFIS empat (4) MFs fungsi keanggotaan GUI Matlab yaitu: Segitiga, Trapesium, Gauss dan Generalized bell. Empat input data x (t + p) yaitu kondisi x (t-3), x(t-2), x(t-1), x(t).
6. Proses Perhitungan Rasio ROE
Nilai profitabilitas ROE di proses dari laporan keuangan laba/rugi dan neraca dari perusahaan emiten LQ45.
7. Percobaan dan Pelatihan Algoritma ANFIS
Percobaan dan pelatihan algoritma model ANFIS dengan empat input data nilai ROE berbentuk runtun waktu, masa lalu sampai waktu “t” seperti : x(t-3), x(t-2), x(t-1), x(t). Activity diagram model ANFIS dapat dilihat pada Gambar 3.
Persiapan Input Data Rasio ROE Periodikal 4 Tahun
Mulai
nilai ROE periodikal ke“t-0” x(t) nilai ROE periodikal ke“t-1” x(t-1) nilai ROE periodikal ke“t-2” x(t-2) nilai ROE periodikal ke“t-3” x(t -3)
Percobaan & Pelatihan Algoritma ANFIS
Output nilai ROE yang diharapkan x(t+p)
Grafik Perbandingan Hasil Output ANFIS
Gambar 3. Activity diagram model ANFIS 8. Pengembangan Software Aplikasi
Pengembangan software aplikasi berbasis object oriented programming (OOP) dari Matlab dengan tahapan pekerjaan yaitu analisa, desain, coding dan implementasi.
2.5. Pengumpulan Data dan Sampel
Data penelitian adalah data sekunder dari internet (website IDX). Input data yaitu laporan keuangan neraca dan laba/rugi emiten LQ45 di Bursa Efek Indonesia (BEI) periode lima tahun 2011-2015 berjumlah 69 perusahaan. Selanjutnya data dihitung untuk mendapatkan rasio profitabilitas ROE beberapa periodikal secara time series.
3. HASIL DAN PEMBAHASAN 3.1 Analisa dan Desain
1. Pembentukan Struktur ANFIS
Struktur ANFIS mempunyai empat masukan, yaitu kondisi x (t -3), x (t-2), x (t-1), x (t). Hasilnya struktur ANFIS dengan 12 masukan fungsi keanggotaan dan 81 aturan (role) seperti Gambar 4 dan 5.
Gambar 4. Struktur ANFIS 4 input tiga kategori
Gambar 5. Fuzzy Logic 4 input, 81 role sugeno dan 1 output 2. Percobaan dan Pelatihan Algoritma ANFIS
Menggunakan fungsi ANFISEDIT Matlab untuk menghasilkan ANFIS tipe Sugeno.
Alir proses pembentukan dan pelatihan data berikut ini.
Gambar 6. Percobaan Data ROE untuk pembentukan struktur ANFIS
3. Input Data ANFIS
Data Input dibedakan tiga kondisi perusahaan (tertekan, sehat dan sangat sehat) dengan tiga kategori untuk fungsi keanggotaan Segitiga dan Trapesium, dan tiga kategori untuk fungsi keanggotaan Gauss & Gbell seperti Gambar 7.
Gambar 7. Input ANFIS tiga kategori fungsi keanggotaan
4. Pengembangan dan Desain Software
Tampilan layar aplikasi yaitu menu program ,input FIS, data ROE runtun waktu kebelakang dari titik 't'. Dilengkapi dengan output keluaran nilai prediksi dan grafik prediksi.
Rancangan desain layar utama aplikasi prediksi dapat dilihat pada Gambar 8.
Gambar 8. Desain layar utama aplikasi prediksi
3.2 Implementasi Aplikasi Prediksi
Hasil pengujian aplikasi dengan tiga level area nilai prediksi profitabilitas perusahaan (sangat sehat, sehat dan tertekan) seperti Gambar 9.
Gambar 9. Hasil Output Prediksi tiga kategori
3.3 Analisa Hasil Aplikasi Prediksi
Pembagian range nilai profitabilitas ROE pada area prediksi dapat disajikan pada Tabel 1.
Tabel 1. Nilai Profitabilitas pada area prediksi No Rasio Keuangan ROE Area Prediksi
1 ROE < 5% Tertekan
2 12% > ROE >= 5% Sehat
3 ROE > 12% Sangat Sehat
Pada prediksi satu tahun kedepan dari titik “t” tahun 2014 dan prediksi “p=1” tahun 2015, maka x (t + p) dari nilai-nilai masa lalu = [x (t -3), x (t-2), x (t-1), x (t); x (t+1)], maka input periodikalnya adalah tahun 2011,2012,2013, 2014. Didapat hasil rata-rata perhitungan ROE tahun 2015 adalah 9,95%. Grafik perbandingan hasil prediksi tersebut dapat dilihat pada Gambar 10.
Gambar 10. Grafik perbandingan hasil prediksi 4 MFs dan ROE 2015 Hasil rata-rata nilai prediksi fungsi keanggotaan Segitiga dengan tiga kategori dengan nilai prediksi yang optimal 9,95%. Sedang hasil rata-rata nilai prediksi fungsi keanggotaan lainnya kurang optimal seperti : Trapesium=9,71%., Gauss =9,93%. dan Gbell=9,88%.
4. SIMPULAN
Software analisis runtun waktu prediksi profitabilitas bisnis telah dirancang dengan model ANFIS untuk empat fungsi keanggotaan dengan tiga kategori input. Hasil keanggotaan segitiga paling optimal dan sangat konsisten dengan nilai rata-rata yang sangat konsisten, terinci dan paling mendekati dengan nilai rata-rata rasio ROE tahun 2015 sebesar 9.95%. Sedangkan fungsi keanggotaan Trapesium, Gauss dan Generalized bell hasilnya kurang optimal. Untuk prediksi probitabilitas ROE satu tahun kedepan paling optimal mengunakan model ANFIS fungsi keanggotaan Segitiga. Jadi aplikasi prediksi mengunakan algoritma model ANFIS hasilnya sangat optimal 100% lebih terinci, konsisten, dan sangat baik.
5. REFERENSI
[1] Research and Development Division, Indonesia Stock Exchange, 2016. LQ45 Index Constituents February 2016. http://www.idx.co.id, diakses Mei 2018.
[2] Mardiyanto. 2009. Intisari Manajemen Keuangan: Teori, Soal dan Jawaban.
Grasindo, Jakarta.
[3] Priyana, G. 2011. Peramalan Suhu Udara di Yogyakarta dengan Mengunakan Model Fuzzy. Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri -400
-200 0 200 400 600
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45
Perbandingan Hasil Prediksi 4 MFs dengan nilai ROE 2015
x(t-p) 2015 TRIAGL TRAPES GBELL GAUSS
Yogyakarta, 14 Mei 2011.
[4] Rahmadiani, A., Anggraeni, W. 2012 . Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya. JURNAL TEKNIK ITS. Vol. 1(1): 403-407
[5] Wanayasa, I.G.N.A, Kencana, I.P.E.N., dan Nilakusmawati, D.P.E. 2012.
Peramalan Produk Domestik Regional Bruto (PDRB) Propinsi Bali dengan mengunakan Metode Fuzzy Time Series. E-Jurnal Matematika. Vol.1(1): 12- 19.
[6] Putra, S.B, Wahono, R.S., dan Akbar, R.I. 2011. Sistem Lampu Lalu Lintas Dinamis Berbasis Neuro-Fuzzy. Jurnal Ilmiah Kursor. Vol.6(2): 77-82.
[7] Saputra, A.H., Tarno, Warsito, B. 2012. Analisis Data Runtun Waktu Dengan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) memakai metode Tsukamoto Sugeno orde satu. Jurnal Gaussian. Vol.1(1): 31- 40
[8] Candra Pami Hemastuti, et al. 2014. Pengaruh Profitabilitas, Kebijakan Dividen, Kebijakan hutang, Keputusan Investasi, dan Kepemilikan Inside Terhadap Nilai perusahaan. Jurnal Ilmu & Riset Akuntansi. Vol.3(4).
[9] Syamsudin, L. 2007. Manajemen keuangan perusahaan. Raja Grafindo Persada, Jakarta.
[10] Brigham, E.F., Houston, J.F. 2011. Dasar-dasar Manajemen Keuangan, Edisi 11,Penerjemah Ali Akbar Yulianto. Salemba Empat, Jakarta.
[11] Baroroh, A. 2013. Analisis Multivariate dan Time Series dengan SPSS 21, PT.
Elex Media Komputindo, Kompas Gramedia, Jakarta.
[12] Kusumadewi, S., Hartati, S. 2010. Neuro-Fuzzy (Integrasi Sistem Fuzzy dan Jaringan Syaraf). Edisi-2. Graha Ilmu, Yogyakarta.
[13] Jang, J.S.R. 1993. ANFIS: Adaptive-Network-based Fuzzy Inference Systems.
IEEE Transactions on Systems, Man, and Cybernetics. Vol.23(3): 665-685.
