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
dalam memilih perusahaan yang tepat dengan kriteria yang dia harapkan.
Universitas Sumatera Utara
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.
3.1.2.1 Kebutuhan 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.
3.1.2.2 Kebutuhan 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.
4. Sistem dapat dikembangkan sehingga dapat mengikuti perkembangan.
Universitas Sumatera Utara
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.
3.1.3.1 Analisis 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 = newlvqminmaxP, Neuron,1Kelasones1,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 sebelumnya menghasilkan data yang sama atau lebih tinggi, maka hasil input
Universitas Sumatera Utara
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 αlama 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 : W11baru = W11lama+ α[X11-W11lama] = 1 +0.051-1 = 1
W12 baru = W12lama+ α[X12-W12lama] = 1 +0.051-1 = 1
W13baru = W13lama+ α[X13-W13lama] = 1 +0.051-1 = 1 W14baru = W14lama+ α[X14-W14lama] = 1 +0.051-1 = 1
W15baru = W15lama+ α[X15-W15lama] = 1 +0.051-1 = 1
Universitas Sumatera Utara
W16baru = W16lama + α[X16-W16lama] = 1 +0.050-1 = 0.95
W17baru = W17lama+ α[X17-W17lama] = 1 +0.051-1 = 1 Sehingga bobot W1 sekarang adalah = 1 1 1 1 1 0.95 1; dan W2=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 :
W21baru = W21lama + α[X21-W21lama] = 0 + 0.050-0 = 0
W22baru = W22lama + α[X22-W22lama] = 0 + 0.050-0 = 0 W23baru = W23lama + α[X23-W23lama] = 0 + 0.050-0 = 0
W24baru = W24lama + α[X24-W24lama] = 0 + 0.050-0 = 0
W25baru = W25lam a + α[X25-W25lama] = 0 + 0.050-0 = 0
W26baru = W26lama + α[X26-W26lama] = 0 + 0.050-1 = -0.05 W27baru = W27lama + α[X27-W27lama] = 0 + 0.050-0 = 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 αlama = 0.005
Pengujian dengan input vektor : 1 0 1 1 1 0 1 Bobot ke -1
= √
= 1.37 Bobot ke -2
= √
Universitas Sumatera Utara
= 2.24 Nilai Pengujian Minimum terdapat pada bobot ke -1, sehingga input 1 0 1 1 1
0 1 masuk kedalam kelas ke -1
3.1.3.2 Analisis 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 A3
PT Mayora Indah Tbk 25080 5080
0.63 2
Universitas Sumatera Utara
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 = 2000
0.25
80
0.35
0.40
0.15
4
0.25
= 38.20 S2 = 1430
0.25
350
0.35
0.53
0.15
4
0.25
= 61.43 S3 = 25080
0.25
5080
0.35
0.63
0.15
2
0.25
= 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