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 yang ada dan batasan masalah yang dimiliki dan menggunakan flowchart
Universitas Sumatera Utara
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 tempat berinvestasi.
Universitas Sumatera Utara
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 pengembangan selanjutnya.
Universitas Sumatera Utara
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 neuron- neuron.
Universitas Sumatera Utara
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: X1, X2, …, XN
= Input
Universitas Sumatera Utara
W1, W2, …, WN = Bobot
∑ = NeuronNode
b = Bias
F = Fungsi Aktifasi
y = Output
a = W1X1 + W2X2+…+WNXN + Bias
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
Xi
Xn Y1
Yj
Ym W11
Wj1 W1i
Wji Wmi
W1n Wjn
Wmn Wm1
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 bobot hubungan antara input dengan output.
Universitas Sumatera Utara
b. Jaringan Lapis Jamak Multi Layer Network
X1
Xi
Xn Y1
Y1j
Ym Z1
Zp V11
Vp1 W1i
Wpi V1n
Vpn W11
Wj1 Wm1
W1p Wmp
Wjp
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:
………………… 1
Universitas Sumatera Utara
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 ini adalah mengelompokkan unit-unit yang hampir sama dengan suatu area
Universitas Sumatera Utara
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