Implementasi Algoritma Learning Vector Quantization dan Weighted Product Dalam Memilih Perusahaan Tempat Berinvestasi

(1)

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

2015

(2)

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

MEDAN 2015

(3)

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,

Dr. Poltak Sihombing, M.Kom NIP. 196203171991031001

(4)

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,

Sofiya Nazara 111401016

(5)

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. Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.

(6)

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,

(7)

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.

Katakunci: Jaringan Syaraf Tiruan, Sistem Pendukung Keputusan, Prediksi Nilai Saham, Perangkingan Alternatif, Learning Vector Quantization, Weighted Product.

(8)

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.

Keywords: Neural Networks, Decision Support System, Prediction of Stock Value, Ranking the Alternatives, Learning Vector Quantization, Weighted Product.

(9)

DAFTAR ISI

Hal.

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak vi

Abstract vii

Daftar Isi viii

Daftar Tabel Xi

Daftar Gambar Xii

Bab 1 Pendahuluan 1

1.1 Latar Belakang 3

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 4

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 4

1.7 Diagram Alir Penelitian 4

1.8 Sistematika Penulisan 5

Bab 2 Landasan Teori 7

2.1 Jaringan Syaraf Tiruan

2.1.1 Arsitektur Jaringan Syaraf Tiruan 2.1.2 Fungsi Aktivasi

2.1.3 Proses Pembelajaran Jaringan Syaraf

7 8 10 11 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 14 15 16

2.4 Investasi 17

2.5 Saham

2.5.1 Hal Yang Mempengaruhi Harga Saham 2.5.2 Keuntungan Bagi Investor

2.5.3 Resiko Dalam Berinvestasi 2.5.4 Jangka Waktu Investasi 2.6 Analisis Kinerja Keuangan

17 18 18 18 19 19

(10)

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

3.1.3.2 Analisis Proses Weighted Product

27 27 30

3.2 Pemodelan 31

3.2.1 Use Case Diagram

3.2.1.1 Use Case Pelatihan LVQ 3.2.1.2 Use Case Pengujian LVQ

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

35 35 35 36 3.2.3 Activity Diagram

3.2.3.1 Activity Diagram Proses Pelatihan LVQ 3.2.3.2 Activity Diagram Proses Pengujian LVQ

3.2.3.3 Activity Diagram Proses Merangking Alternatif Perusahaan

36 37 37 38

3.3 Pseudocode Program 38

3.3.1 Pseudocode Proses Pelatihan 38 3.3.2 Pseudocode Proses Pengujian

3.3.3 Pseudocode Proses Perangkingan Weighted Product

39 39

3.4 Perancangan Flowchart 40

3.4.1 Flowchart Sistem

3.4.2 Flowchart Proses Pelatihan 3.4.3 Flowchart Proses Pengujian

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 3.6 Perancangan Antarmuka

3.6.1Antarmuka Home 3.6.2 Antarmuka Pelatihan 3.6.3 Antarmuka Pengujian 3.6.4 Antarmuka Proses WP

3.6.5 Antarmuka Help

3.6.6 Antarmuka Konfirmasi Keluar

40 41 42 43 44 44 44 44 44 44 44 45 46 47 49 50 50

(11)

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

(12)

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 16

28 28 30 30 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

53 54 54 57 57 58 61 63 63 A-42 A-42 A-42 A-43 A-43 A-44 A-45 A-46

(13)

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

8 9 10 14 22 22 23 26 32 35 35 36 37 37 38 40 41 42 43 45 46 47 49 50 50

(14)

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

64 65

(15)

ABSTRAK

Katakunci: Jaringan Syaraf Tiruan, Sistem Pendukung Keputusan, Prediksi Nilai Saham, Perangkingan Alternatif, Learning Vector Quantization, Weighted Product.

(16)

Implementation of Learning Vector Quantization and Weighted Product Algorithm On Choosing Company To Do Investment

ABSTRACT

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

Keywords: Neural Networks, Decision Support System, Prediction of Stock Value, Ranking the Alternatives, Learning Vector Quantization, Weighted Product.

(17)

PENDAHULUAN

1.1 Latar Belakang Masalah

Menurut Pernyataan Standart Akutansi Keuangan No.13 (2004, par 03), Investasi adalah suatu aktiva yang digunakan perusahaan untuk pertumbuhan kekayaan (accretion of wealth) melalui distribusi hasil investasi (seperti bunga, royalti, deviden, dan uang sewa), untuk apresiasi nilai investasi, atau untuk manfaat lain bagi perusahaan yang berinvestasi seperti manfaat yang diperoleh melalui hubungan perdagangan, persediaan, dan aktiva tetap bukan merupakan investasi.

Investasi yang akan dibahas pada penelitian ini di khususkan pada investasi dalam bentuk saham yang dilakukan di pasar modal. Pasar modal merupakan tempat yang mempertemukan penjual dan pembeli modal atau dana. Yang dimaksud sebagai penjual disini adalah perusahaan yang mencatatkan saham perusahaan yang mereka miliki untuk dapat juga dimiliki oleh publik. Untuk dapat memiliki saham dari suatu perusahaan, maka pembeli (investor) harus membayarkan sejumlah dana yang telah ditentukan sesuai dengan harga perlembar saham perusahaan yang ingin mereka beli.

Sebagai investor tentunya mengharapkan untuk bisa memperoleh tambahan atau keuntungan dari apa yang telah dia berikan kepada perusahaan tempat dia menanamkan modal. Untuk itu dibutuhkan ketelitian bagi seorang investor dalam menentukan perusahaan yang tepat untuk dijadikan tempat penanaman modal mereka. Tujuannya adalah agar para investor tidak salah menempatkan modalnya. Jika investor salah memilih, akibat yang mungkin terjadi adalah kerugian. Kerugian yang dimaksud disini adalah jika perusahaan tidak menghasilkan keuntungan yang baik, maka investor tidak akan mendapatkan deviden (pembagian keuntungan perusahaan kepada pemegang saham). Kemungkinan buruk lain adalah, jika prestasi perusahaan tidak membaik, maka harga jual saham perushaaan akan turun. Sehingga investor mungkin akan mengalami kerugian jika investor menjual kembali saham yang telah dibelinya (Pertiwi, 2012).

(18)

Orang yang biasanya menjadi perantara antara pembeli dengan penjual saham dinamakan pialang (broker). Pialang bekerja dengan menganalisis perusahaan-perusahaan, tujuannya adalah agar dapat menjamin dan meyakinkan kelayakan perusahaan kepada pembeli saham. Namun, dengan memakai jasa pialang dana yang dikeluarkan juga akan semakin banyak karena harus membayar biaya pialang. Untuk itu, seorang investor yang tidak ingin atau tidak mempunyai dana lebih untuk membayar jasa pialang harus memiliki kemampuan untuk menganalisis suatu perusahaan, agar tidak terjadi kerugian dalam penanaman modal (Fahmi, 2006).

Dalam ilmu komputer, terdapat beberapa cabang ilmu yang mempelajari bagaimana cara memecahkan masalah seperti : algoritma dan struktur data, arsitektur perangkat keras dan lunak, rekayasa perangkat lunak, kecerdasan buatan dan robotik, interaksi manusia dengan komputer, organisasi komputer, bahasa pemrograman, sistem operasi dan jaringan komputer, database dan sistem retrival informasi, grafika komputer, ilmu komputasi, dan bio informatika.

Jaringan syaraf tiruan merupakan cabang ilmu dari bidang ilmu kecerdasan buatan yang merupakan alat pemecahan masalah. Ada banyak teknik (algoritma) jaringan syaraf tiruan yang tersedia, seperti : Teknik Perceptron, Teknik Propagasi Balik (Back Propagation), Jaringan Learning Vektor Quantization

(LVQ), Jaringan Kohonen, Algoritma Jaringan Fractal, Algoritma Jaringan Cyclic, dan lain sebagainya (Siang, 2006).

LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif yang terwarisi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Cara kerja algoritma LVQ adalah dengan setiap neuron akan dicarikan jarak antara suatu vektor input ke bobot yang bersangkutan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan dalam kelas yang sama.

Dengan bantuan komputer yang bisa dengan tepat dan cepat di program untuk membantu pekerjaan manusia, seperti mendukung manusia dalam mengambil keputusan. Ada beberapa metode pendukung keputusan yang biasa dipakai dalam pemrograman komputer, seperti : Analytical Hierarcy Process (AHP), Simple Addictive Weighting (SAW), Weighted Product, Simple Multi Attribute Rating

(19)

Technique (SMART), Profile Matching, dan lain sebagainya. Metode weighted product adalah salah satu bagian dari metode Multi Atribut Decision Making

(MADM), yaitu proses pengambilan keputusan terhadap sebuah masalah yang memiliki beberapa atribut penting untuk dipertimbangkan. Cara kerja metode

Weighted Product adalah dengan mengalikan seluruh atribut bagi sebuah alternatif dengan bobot sebagai perangkat positif untuk atribut manfaat, dan bobot berfungsi sebagai pangkat negatif pada atribut biaya. Hasil perkalian dijumlahkan untuk menghasilkan nilai pada setiap alternatif (Anggreni, 2013).

Dengan mengkombinasikan kedua metode ini dalam pemrograman komputer, maka dapat dihasilkan program yang mampu mendukung keputusan investor dalam menetukan perusahaan yang baik dan layak sebagai tempat berinvestasi. LVQ digunakan untuk mengelompokkan kelas berdasarkan naik atau tidaknya saham perusahaan di masa mendatang. Sedangkan WP digunakan untuk mendukung keputusan investor, dengan memproses kriteria-kriteria yang disyaratkan investor untuk memilih alternatif perusahaan yang ada.

1.2 Rumusan Masalah

Rumusan masalah yang akan dibahas dalam penelitian ini adalah :

1. Apakah keakuratan nilai saham dapat diprediksi menggunakan algooritma LVQ.

2. Apakah metode WP mampu menghasilkan pilihan perusahaan investasi yang sesuai dengan kemampuan investor.

1.3 Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah :

1. Jenis investasi yang dilakukan hanya dalam bentuk investasi saham.

2. Pergerakan saham diprediksi dari laporan keuangan yang didownload dari www.idx.co.id.

3. Perusahaan yang dijadikan sampel adalah perusahaan manufaktur yang terdaftar di BEI (Bursa Efek Indonesia).

4. Parameter kelayakan perusahaan sebagai tempat investasi adalah tingginya angka komponen-komponen berikut dalam laporan keuangan : Earning Per Share (EPS), Price Earnings Ratio (PER), Price/Book Value (PBV), Debt To

(20)

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

(21)

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.

(22)

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.

(23)

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).

(24)

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.

Ʃ

b a

y w1

Gambar 2.1 Model Neuron Jaringan Syaraf Tiruan

Keterangan gambar 2.1:

(25)

W1, W2, …, WN = Bobot

∑ = Neuron/Node

b = Bias

F = Fungsi Aktifasi

y = Output

a = W1*X1 + W2*X2+…+WN*XN + 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

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.

(26)

b. Jaringan Lapis Jamak (Multi Layer Network)

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:

(27)

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

(28)

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)

LVQ merupakan salah satu jaringan Saraf tiruan yang melakukan pembelajaran secara terawasi. LVQ mengklasifikasikan input secara berkelompok ke dalam kelas yang sudah didefinisikan melalui jaringan yang telah dilatih. Dalam kata lain LVQ mendapatkan n input dan mengelompokkan kedalam m output. (Hidayah, 2014).

LVQ merupakan jaringan lapisan tunggal (single-layer net) di mana lapisan masukan terkoneksi secara langsung dengan setiap neuron pada keluaran. LVQ terdiri dari lapisan input (input layer), lapisan kompetitif dan lapisan output (output layer). Lapisan input dihubungkan dengan lapisan kompetitif oleh bobot. Dalam lapisan kompetitif, proses pembelajaran dilakukan secara terawasi. Input akan bersaing untuk dapat masuk ke dalam suatu kelas. Hasil dari lapisan kompetitif ini berupa kelas, yang kemudian akan dihubungkan dengan lapisan output. Jika jarak dua vektor masukan mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor masukan tersebut ke dalam kelas yang sama (Johandra, 2014).

Algoritma Pelatihan LVQ : 0. Tetapkan :

a. Bobot awal variabel input ke–j menuju ke kelas (cluster) ke-i : Wij , dengan i = 1, 2, .., K; dan j = 1, 2, .., m

b. Maksimum epoch : MaxEpoh c. Parameter learning rate,  d. Pengukuran learning rate, Dec

e. Minimal learning rate yang diperbolehkan : Min 1. Masukkan :

a. Data input : Xij ; dengan i = 1, 2, .., m. b. Target berupa kelas Tk ; dengan k = 1, 2, .., n 2. Tetapkan kondisi awal : epoch = 0;

3. Kerjakan jika : (epoch  MaxEpoch) dan ( Min) a. Epoch = epoch + 1;

(29)

i. Tentukan J sedemikian hingga |Xi – Wj| minimum; dengan j = 1, 2, .. , K

ii. Perbaiki Wj dengan ketentuan :  Jika T = Cj maka : Wj = Wj + (Xi – Wj)  Jika T  Cj maka : Wj = Wj - (Xi – Wj) c. Kurangi nilai  .

(Pengurangan  bisa dilakukan dengan  =  - Dec ; atau dengan cara :  =  * Dec)

Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir (W). Bobot-bobot ini nantinya akan digunakan untuk untuk pengujian terhadap data-data.

Algoritma Pengujian LVQ :

1. Masukkan data yang akan diuji, misal X ij ; dengan i = 1, 2,.., np ; dan j = 1, 2, .., m.

2. Kerjakan untuk i = 1 sampai dengan np

a. Tentukan J sedemikian hingga |Xi – Wj| minimum (Cj), dengan J = 1,2,.., K.

2.2.1 Arsitektur Jaringan LVQ

Dalam LVQ terdapat dua vektor bobot yang menghubungkan setiap neuron masukan dengan neuron keluaran sehingga dapat dikatakan bahwa setiap neuron keluaran pada LVQ berhubungan dengan sebuah vektor bobot. Untuk melakukan proses pengenalan dan pembelajaran, LVQ menggunakan operasi-operasi vektor. Pola-pola akan disajikan dalam bentuk vektor. Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vektor input ke bobot yang bersangkutan. Dalam hal ini adalah vektor bobot (Wij) yang menghubungkan setiap neuron pada lapisan input (Xi) ke neuron pertama pada lapisan output (Yj), dan seterusnya (Johandra, 2014) .

(30)

Gambar 2.4 Arsitektur jaringan LVQ

2.3 Sistem Pendukung Keputusan

Sistem pendukung keputusan adalah sistem informasi berbasis pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. SPK merupakan sistem alternatif yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi terstruktur yang spesifik. SPK membantu mengambil keputusan dengan cara melengkapi informasi yang dibutuhkan pengambil keputusan dari data yang telah diolah dengan relevan, sehingga hasilnya cepat dan akurat (Anggreni, 2013).

2.3.1 Tahap – tahap Pengambilan Keputusan

Menurut Herbert A. Simon, tahap – tahap yang harus dilalui dalam proses pengambilan keputusan sebagai berikut :

1. Tahap Pemahaman ( Inteligence Phace )

Tahap ini merupakan proses penelusuran dan pendeteksian dari lingkup problematika serta proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengidentifikasikan masalah.

2. Tahap Perancangan ( Design Phace )

Tahap ini merupakan proses pengembangan dan pencarian alternatif tindakan / solusi yang dapat diambil.

3. Tahap Pemilihan ( Choice Phace )

Tahap ini dilakukan pemilihan terhadap diantara berbagai alternatif solusi yang dimunculkan pada tahap perencanaan agar ditentukan / dengan memperhatikan kriteria – kriteria berdasarkan tujuan yang akan dicapai.

(31)

(32)

i : Alternatif j : Kriteria

n : Banyaknya kriteria

* : Banyaknya kriteria yang telah dinilai pada vektor S

2.3.3Algoritma Weighted Product

Algoritma weighted product mengevaluasi m alternatif Ai (I = 1,2, …, m)

terhadap sekumpulan atribut atau kriteria Cj (j = 1, 2, …, n). matriks keputusan

setiap alternatif X diberikan sebagai berikut :

X11 … X1n

X = … ... …

X1m … Xmn

Dimana Xij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j. berikut tabel rating keinerja yang menunjukkan matriks keputusan setiap alternatif terhaadap setiap atribut.

Kriteria Alternatif

C1 C2 ……… Cn

A1 X11 X21 ……… X1n

A2 X12 X22 ……… X2n

… … … ……… …

Am X1m X2m ……… Xnm

Tabel 2.1 Tabel Rating Kinerja

Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai W :

W = {w1, w2, …,wn} Algoritma dari weighted product adalah sebagai berikut :

1. Melakukan normalisasi bobot untuk menghasilkan nilai ∑nj=1 wj = 1 dimana j = 1, 2, …, n adalah banyak alternatif.

2. Menetukan kategori dari masing-masing kriteria, apakah termsuk ke dalam kriteria keuntungan atau kriteria biaya.

(33)

3. Menentukan nilai vektor S dengan mengalikan seluruh kriteria bagi sebuah alternatif dengan bobot sebagai pangkat positif untuk kriteria keuntungan dan pangkat negatif untuk kriteria biaya.

4. Menetukan nilai vektor V yang akan digunakan untuk perangkingan. 5. Membandingkan nilai akhir dari vektor V.

6. Menemukan urutan alternatif terbaik yang akan dijadikan keputusan (Anggreini, 2013)

Contoh sederhana penggunaan algoritma weighted product dalam pemilihan perusahaan tempat berinvestasi :

2.4 Investasi

Terdapat banyak sekali defenisi investasi yang dikemukakan oleh ahli. Menurut Frank J. Fabozzi, manajemen investasi adalah proses pengolahan uang. Abdul Halim mengatakan bahwa investasi adalah penempatan sejumlah dana pada saat ini dengan harapan untuk memperoleh keuntungan di masa mendatang. Intinya adalah, investasi dilakukan para investor dengan harapan memperoleh keuntungan.

Tujuan yang ingin dicapai dalam berinvestasi adalah :

1. Terciptanya keberlanjutan (continuity) dalam investasi tersebut,

2. Terciptanya profit yang maksimum atau keuntungan yang diharapkan (profit actual),

3. Terciptanya kemakmuran bagi para pemegang saham,

4. Turut memberikan andil bagi pembangunan bangsa (Fahmi, 2006).

Untuk mengetahui kelayakan perusahaan untuk dijadikan tempat investasi saham dapat dinilai dari laporan keuangannya. Terdapat beberapa parameter dalam laporan keuangan yang dapat menentukan kelayakan tersebut, seperti : Return on Assets dan Return on Equity yang menunjukkan efektivitas manajemen dalam menghasilkan profit dari investasi yang ditanamkan ke perusahaan (relatif terhadap penjualan), hutang yang dimiliki perusahaan (semakin besar hutang perusahaan maka semakin tidak layak dijadikan tempat berinvestasi), dan stabilitas perusahaan perusahaan dalam menjaga growth dalam beberapa tahun terakhir.

(34)

Saham dapat didefenisikan sebagai tanda atau bukti penyertaan atau pemilikan seseorang atau badan dalam perusahaan atau persero terbatas. Saham berwujud selembar kertas yang menerangkan bahwa pemilik kertas adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi kepemilikan ditentukan oleh seberapa besar penyertaan yang ditanamkan dalam perusahaan (Diana, 2006).

Penghasilan yang diperoleh oleh pemilik saham pada umumnya dibagi dua, yaitu :

1. Deviden

Merupakan pembagian keuntungan yang diberikan perusahaan penerbit saham kepada pemegang saham atas keuntungan yang diperoleh perusahaan.

2. CapitalGain

Merupakan keuntungan yang diperoleh pemegang saham akibat kenaikan harga saham di pasar modal pada saat pemegang saham hendak menjual saham tersebut (Falani, 2013).

2.5.1 Hal Yang Mempengaruhi Harga Saham

Menurut penelitian Simanjuntak terhadap harga saham pada industri makanan

di Bursa Efek Jakarta (BEJ) tentang “Pengaruh Kinerja Keuangan Perusahaan Terhadap Harga Saham Pada Industri Makanan dan Minuman di BEJ”,

menunjukkan bahwa Return on Asset (ROA), Return on Equity (ROE), EVA, dan MVA mempunyai pengaruh yang signifikan terhadap harga saham secara bersama-sama.

Hasil penelitian Sugeng Sulistiono pada perusahan farmasi yang terdaftar di BEJ menyatakan bahwa variable ROA, dividen, financial leverage, tingkat penjualan, tingkat likuiditas, dan tingkat bunga deposito berpengaruh secara signifikan terhadap perubahan harga saham. (Diana, 2006).

Faktor fundamental yang sering digunakan untuk memprediksi harga saham adalah rasio keuangan dan rasio pasar. Rasio keuangan yang digunakan untuk memprediksi harga saham antara lain : Return On Assets (ROA), Debt to Equity Ratio (DER), Book Value Per Share (BVS). Faktor teknikal yang mempengaruhi harga saham antara lain : inflasi, nilai tukar mata uang, dan resiko pasar.

(35)

2.5.2 Resiko Dalam Berinvestasi

Resiko dalam berinvestasi terbagi menjadi dua, yaitu resiko sistematik dan resiko tidak sistematik. Resiko sistematik merupakan bagian dari perubahan aktiva yang dapat dihubungkan kepada faktor umum yang juga disebut sebagai resiko pasar atau resiko yang tidak dapat dibagi. Juga merupakan tingkat minimum resiko yang dapat diperoleh bagi suatu portofolio yang dibuat investor. Sedangkan resiko tidak sistematik adalah resiko unik yang ada pada setiap perusahaan, misalnya terjadi bencana alam yang menimpa perusahaan, dan lain-lain.

2.6 Analisis Kinerja Keuangan

Laporan keuangan merupakan gambaran atau kondisi keuangan perusahaan dalam peranannya pada seluruh kegiatan perusahaan. Menurut Lesmana, analisa kinerja keuangan adalah evaluasi kinerja di masa lalu dengan melakukan berbagai analisis sehingga diperoleh posisi keuangan perusahaan yang mewakili realitas perusahaan dan potensi-potensi kinerja yang akan berlanjut.

Tujuan laporan keuangan di Indonesia dalam Pernyataan Standart Akuntansi Indonesia (PSAK) paragraf 12 (IAI,2009) yaitu menyediakan informasi yang menyangkut posisi keuangan, kinerja, serta perubahan posisi keuangan suatu perusahaan yang bermanfaat bagi sejumlah besar penggunaan dalam pengambilan keputusan ekonomi. Salah satu kualitas informasi keuangan adalah predict value, yaitu kemampuan informasi keuangan untuk meningkatkan keyakinan atas prediksi masa depan (SFAC No.2). Jadi kemampuan prediktif sangat berpengaruh terhadap kualitas informasi yang ada dan untuk memenuhi syarat informasi yang relevan informasi haruslah memiliki predict value (Irmawati, 2011).

Dari penelitian terdahulu, maka di pilih beberapa perwakilan informasi keuangan yang mempengaruhi harga saham, sebagai berikut (Harahap, 2005): 1. Earning Per Share (EPS). Rasio yang mengukur perbandingan pendapatan

setelah pajak dengan jumlah saham beredar.

(36)

Number Of Share

2. Price Earnings Ratio (PER). Rasio yang mengukur perbandingan harga penutupan saham dengan pendapatan pendapatan per saham.

Reg. Closing Price .……… (6) Earning Per Share

3. Price/Book Value (PBV). Rasio yang mengukur perbandingan harga penutupan saham dengan nilai buku saham.

Reg. Closing Price ………. (7) Book Value Per Share

4. Debt To Equity Ratio (DER) . rasio yang mengukur tingkat penggunaan hutang terhadap total kepemilikan saham.

Leverage ……… (8)

Owner‟s Equity

5. Return Of Investment (ROI). Rasio yang mengukur perbandingan pendapatan bersih dengan jumlah harta perbandingan pendapatan bersih dengan jumlah harta

Net Income ……… (9)

Total Asset

6. Return Of Equity (ROE). Rasio yang mengukur perbandingan pendapatan bersih dengan jumlah modal.

Net Income ……… (10)

Equity

7. Profit Margin (PM). Rasio yang mengukur perbandingan pendapatan usaha dengan penjualan.

Income ……… (11)

Total Sales

Dari informasi diatas, maka dapat diprediksi harga saham untuk waktu berikutnya dengan formula sebagai berikut :

Y = a + X1EPSi(t-1) + X2PERi(t-1) + X3PBVi(t-1) + X4DERi(t-1) + X5ROIi(t-1) +

X6ROEi(t-1) + X7PMi(t-1).e …………(5)

Keterangan :

(37)

Rumus : Y = (Hst – Hso) x 100% .………(6)

Hso

Dimana :

7. Hst = Harga Saham Pada Periode Tertentu 8. Hso = Harga Saham Pada Periode Sebelumnya a = Koefisien konstanta

X= Koefisien Variabel Independen

EPSi(t-1) = Earning Per Share perusahaan ke -1 pada tahun (t-1) PERi(t-1) = Price Earning Ratio perusahaan ke -1 pada tahun (t-1) PBVi(t-1) = Price Book Value Perusahaan ke-1 pada tahun (t-1) DERi(t-1) = Debt To Equity perusahaan ke-1 pada tahun (t-1) ROIi(t-1) = Return Of Investment perusahaan ke-1 pada tahun (t-1) ROEi(t-1) = Return Of Equity perusahaan ke-1 pada tahun (t-1) PMi(t-1) = Profit Margin perusahaan ke-1 pada tahun (t-1) E = Koefisien error (variebel penggangu)

Parameter yang digunakan dalam memprediksi nilai saham adalah : Earning Per Share (EPS), Price Earnings Ratio (PER), Price/Book Value (PBV), Debt To Equity Ratio (DER), Return Of Investment (ROI), Return Of Equity (ROE), Profit Margin

(PM). Data-data parameter tersebut diperoleh dari laporan keuangan seperti Gambar . 2.5.

(38)

Gambar 2.5. Financial Report Perusahaan Gudang Garam Tbk.

(39)

Gambar 2.7. Laporan Dividen Perusahaan Gudang Garam Tbk.

Gambar 2.5, 2.6, dan 2.7 merupakan potongan laporan keuangan perusahaan Gudang Garam Tbk. Dari laporan keuangan tersebut, maka diperoleh 11 nilai parameter penentu nilai saham yang digunakan untuk pelatihan dan pengujian LVQ pada perusahaan Gudang Garam Tbk. sebagai berikut :

- 2011

1. Earning After Tax (Pendapatan Setelah Pajak) : 10,129,368,000,000 2. Number Of Share (Jumlah Saham Beredar) : 1,924,088,000 3. Reg. Closing Price (Harga Penutupan Saham) : 67,000

(40)

5. Leverage (Liabilitas/Hutang) : 14,537,777,000 6. Owner‟s Equity (Total Ekuitas) : 24,550,928,000 7. Net Income (Pendapatan Bersih/Laba Bersih) : 41,884,352,000,000 8. Total Asset (Jumlah Aset) : 39,088,705,000,000 9. Equity (Modal Kerja Bersih) : 16,874,435,000,000 10. Income (Laba Usaha) : 6,838,642,000,000 11. Total Sales (Total Penjualan) : 41,800,000,000,000 - Dengan cara yang sama untuk memperoleh data tahun 2012, seperti ditunjukkan pada Tabel 6 dan 7 (Tabel Terlampir).

- Kriteria yang digunakan untuk memilih Perusahaan Tempat Berinvestasi adalah :

C1 : Harga Saham (Reg. Closing Price) C2 : Dividen

C3 : Resiko (Ratio Liabilitas/Utang dengan Ekuitas) C4 : Jangka Investasi

Dari Gambar A.1, A.2, dan A.3, diperoleh nilai kriteria untuk perusahaan Gudang Garam Tbk. Sebagai berikut :

C1 : Reg.Closing Price : Harga Penutupan Saham = Rp.67,000

C2 : Di viden = Rp.1000

C3 : Resiko = 56.02%

C4 : Jangka Investasi = 1 Tahun

(Diihat dari cepat-lambatnya Pergerakan harga saham)

- Dengan cara yang sama, maka diperoleh tabel nilai kriteria dari alternatif perusahaan seperti Tabel 8 (Tabel Terlampir).

(41)

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.

(42)

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.

3.1.2.1Kebutuhan 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.

3.1.2.2Kebutuhan 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.

(43)

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.

3.1.3.1Analisis 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 = newlvq(minmax(P), Neuron,(1/Kelas)*ones(1,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

(44)

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* α(lama)

 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 :

W11(baru) = W11(lama)+ α[X11-W11(lama)] = 1 +0.05*(1-1) = 1 W12(baru) = W12(lama)+ α[X12-W12(lama)] = 1 +0.05*(1-1) = 1

W13(baru) = W13(lama)+ α[X13-W13(lama)] = 1 +0.05*(1-1) = 1

W14(baru) = W14(lama)+ α[X14-W14(lama)] = 1 +0.05*(1-1) = 1

(45)

W16(baru) = W16(lama)+ α[X16-W16(lama)] = 1 +0.05*(0-1) = 0.95

W17(baru) = W17(lama)+ α[X17-W17(lama)] = 1 +0.05*(1-1) = 1

 Sehingga bobot W1 sekarang adalah = (1 1 1 1 1 0.95 1); dan W2=(0 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 :

W21(baru) = W21(lama) + α[X21-W21(lama)] = 0 + 0.05*(0-0) = 0

W22(baru) = W22(lama) + α[X22-W22(lama)] = 0 + 0.05*(0-0) = 0

W23(baru) = W23(lama) + α[X23-W23(lama)] = 0 + 0.05*(0-0) = 0

W24(baru) = W24(lama) + α[X24-W24(lama)] = 0 + 0.05*(0-0) = 0 W25(baru) = W25(lama) + α[X25-W25(lama)] = 0 + 0.05*(0-0) = 0

W26(baru) = W26(lama) + α[X26-W26(lama)] = 0 + 0.05*(0-1) = -0.05

W27(baru) = W27(lama) + α[X27-W27(lama)] = 0 + 0.05*(0-0) = 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 * α(lama) = 0.005

 Pengujian dengan input vektor : ( 1 0 1 1 1 0 1 ) Bobot ke -1

√

= 1.37

Bobot ke -2 =

(46)

= 2.24

 Nilai Pengujian Minimum terdapat pada bobot ke -1, sehingga input ( 1 0 1 1 1 0 1 ) masuk kedalam kelas ke -1

3.1.3.2Analisis 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

(47)

 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 = (20000.25)(800.35)(0.400.15)(40.25) = 38.20 S2 = (14300.25)(3500.35)(0.530.15)(40.25) = 61.43 S3 = (250800.25)(50800.35)(0.630.15)(20.25) = 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

Pemodelan pada sistem ini menggunakan UML untuk mendisain dan merancang sistem pemilih perusahaan tempat berinvestasi. Adapun model- model UML yang digunakan adalah use case diagram, sequence diagram dan activity diagram.

(1)

A-25

Tabel 1. Sub Sektor Makanan & Minuman

Tabel 2. Sub Sektor Rokok

Tabel 3. Sub Sektor Kosmetik & Keperluan Rumah Tangga

NO Kode Saham Nama Emiten

Tanggal IPO

1 ADES

PT Akasha Wira International Tbk

1994-06-13

2 AISA

PT Tiga Pilar Sejahtera Food Tbk

1997-06-11

3 ALTO

PT Tri Banyan Tirta Tbk

2012-07-10

4 CEKA

PT Cahaya Kalbar Tbk

1996-07-09

5 DLTA

PT Delta Djakarta Tbk

1984-02-12

6 ICPB

PT Indofood CBP Sukses Makmur Tbk

2010-10-07

7 INDF

PT Indofood Sukses Makmur Tbk

1994-07-14

8 MLBI

PT Multi Bintang Indonesia Tbk

1994-01-17

9 MYOR

PT Mayora Indah Tbk

1990-07-04

10 PSDN

PT Prashida Aneka Niaga Tbk

1994-10-18

11 ROTI

PT Nippon Indosari Corporindo Tbk

2010-06-28

12 SKBM

PT Sekar Bumi Tbk

1993-01-05

13 SKLT

PT Sekar Laut Tbk

1993-09-08

14 STTP

PT Siantar Top Tbk

1996-12-15

15 ULTJ

PT Ultrajaya Milk Industri and Trading Company Tbk

1990-07-02

NO Kode Saham Nama Emiten

Tangal IPO

1 GGRM

Gudang Garam Tbk

1990-08-27

2 HMSP

Handjaya Mandala Sampoerna Tbk

1990-08-15

3 RMBA

Bentoel International Investama

1990-03-05

4 WIIM

Wismilak Inti Makmur Tbk

2012-12-18

NO Kode Saham Nama Emiten

Tanggal IPO

1 MBTO

PT Martina Berto Tbk

2011-01-13

2 MRAT

PT Mustika Ratu Tbk

1995-07-27

3 TCID

PT Mandom Indonesia Tbk

1993-09-23

(2)

Tabel 4. Sub Sektor Farmasi

Tabel 5.Sub Sektor Peralatan Rumah Tangga

NO Kode Saham Nama Emiten

Tanggal IPO

1 DVLA

PT Daya Varia Laboratoria Tbk

1994-09-11

2 INAF

PT Indofarma (Persero) Tbk

2001-04-17

3 KAEF

PT Kimia Farma (Persero) Tbk

2001-07-04

4 KLBF

PT Kalbe Farma Tbk

1991-07-30

5 MERK

PT Merck Tbk

1981-07-23

6 PYFA

PT Pyridam Farma Tbk

2001-10-16

7 SCPI

PT Schering Plough Indonesia Tbk

2010-10-07

8 SIDO

PT Industri Jamu & Farmasi Sido Muncul Tbk

2013-12-18

9 SQBB

PT Taisho Pharmaceutical Indonesia Tbk

1983-03-29

10 TSPC

PT Tempo Scan Pasific Tbk

1994-01-17

NO Kode Saham Nama Emiten

Tangal IPO

1 CNIT

Chitose International Tbk

2014-06-27

2 KDSI

Kedawung Setia Industrial Tbk

1996-07-29

3 KICI

PT Kedaung Indah Can Tbk

1993-10-28

(3)

B-27

Tabel 6. Laporan Keuangan Perusahaan Sampel Tahun 2011

Nama Perusahaan Earning After Tax (RpNumber Of Share (Unit) Reg. Closing Price (RpBook Value Per Share (RLeverage (Rp) Owner's Equity (Rp)Net Income (Rp) Total Asset (Rp) Equity (Rp) Income (Rp) Total Sales (Rp) Bantoel International Investma 2,314,165,000,000 7,240,005,000 790 63.28 2,247,284,000,000 257,183,500 10,070,175,000,000 6,333,957,000,000 458,124,000,000 633,568,000,000 23,785,000,000

Chitose International 23,153,365,557 1,889,345 400 37679.64 48,099,744,160 978,235,890 23,153,365,557 101,658,767,121 71,189,844,497 31,744,845,921 253,502,629,876

Gudang Garam 10,129,368,000,000 1,924,008,000 57,000 8770.46 24,550,928,000,000 24,500,000,000,000 41,884,352,000,000 39,088,705,000,000 16,874,435,000,000 6,838,642,000,000 41,800,000,000,000

Handjaya Mandala Sampoerna 15,196,000,000,000 4,383,000,000 39,000 1479.12 9,027,000,000,000 10,303,000,000,000 10,911,000,000,000 19,330,000,000,000 6,483,000,000,000 10,572,000,000,000 52,857,000,000,000

Kedawung Setia Industrial 146,731,000,000 405,000,000 245 236.88 308,398,000,000 279,169,000,000 23,629,000,000 587,567,000,000 95,935,000,000 47,427,000,000 1,180,506,000,000

PT Akasha Wira International 766,631,000 589,896,800 1920 1000.00 179,972,000 209,122,000 83,376,000 389,094,000 92,865,000 86,408,000 476,638,000

PT Cahaya Kalbar 168,000,000,000 297,500,000 1,160 1806.89 564,000,000,000 463,000,000,000 65,000,000,000 1,027,000,000 537,551,172,122 58,000,000,000 1,123,000,000

PT Daya Varia Laboratoria 550,612,964 1,120,000,000 1,300 1000.00 195,027,928 66,600,851 120,915,340 922,945,318 727,917,390 160,177,738 899,632,048

PT Delta Djakarta 204,871,000,000 16,013,181 111,500 30069.92 123,231,000,000 572,935,000,000 564,051,000,000 696,167,000,000 481,515,000,000 151,715,000,000 1,394,153,000,000

PT Indofarma 396,184,000,000 3,099,000,000 163 79.75 538,516,000,000 609,193,000,000 39,969,000,000 1,114,901,000,000 247,155,000,000 76,479,000,000 1,203,467,000,000

PT Indofood CBP Sukses Makmur 12,583,100,000,000 8,780,000,000 4,600 13288.20 21,975,700,000,000 31,610,200,000,000 4,891,700,000,000 53,585,900,000,000 116,670,400,000,000 6,870,600,000,000 45,332,300,000,000

PT Kalbe Farma 6,533,434,000,000 9,375,000,000 680 461.39 1,758,619,000,000 6,515,935,000,000 1,482,000,000,000 8,274,554,000,000 4,325,535,000,000 1,522,957,000,000 10,911,860,000,000

PT Kedaung Indah Can 11,600,000,000 138,000,000 180 350.43 23,120,000,000 64,300,000,000 360,000,000 87,420,000,000 48,360,000,000 40,000,000 87,520,000,000

PT Kimia Farma 1,038,016,000,000 1,388,326,000 340 578.64 541,737,000,000 1,252,660,000,000 171,765,000,000 1,794,400,000,000 803,336,000,000 803,336,000,000 3,734,241,000,000

PT Langgeng Makmur Industry 5,424,000,000 1,009,000 260 103.43 685,896,000 51,717,000 685,896,000 685,896,000 104,361,000 23,407,000 502,187,000

PT Mandom Indonesia 681,929,000,000 201,066,667 11,000 3327.95 1,261,573,000,000 1,096,822,000,000 150,803,000,000 1,261,573,000,000 669,139,000,000 210,086,000,000 1,851,153,000,000

PT Martina Berto 376,439,000,000 1,070,000,000 430 348.31 174,931,000,000 434,563,000,000 45,523,000,000 609,494,000,000 372,690,000,000 54,075,000,000 717,788,000,000

PT Mayora Indah 1,658,411,000,000 766,684,000 14,250 2934.07 4,175,176,000,000 2,424,669,000,000 95,453,866,000,000 6,599,846,000,000 2,249,507,000,000 757,877,000,000 9,453,865,992,878

PT Merck 482,138,000,000 22,400,000 132,500 22062.00 90,207,000,000 494,182,000,000 231,159,000,000 584,389,000,000 426,295,000,000 278,628,000,000 918,532,000,000

PT Multi Bintang Indonesia 680,641,000,000 317,000 346,333 547202.00 656,965,000,000 319,189,000,000 296,300,000,000 976,153,000,000 187,367,000,000 408,690,000,000 1,222,665,000,000

PT Mustika Ratu 257,108,000,000 428,000,000 490 687.46 69,586,000,000 385,887,000,000 6,700,000,000 455,473,000,000 294,234,000,000 10,127,000,000 458,197,000,000

PT Nippon Indosari Corporindo 379,404,000,000 117,136,000 3,325 2654.91 212,696,000,000 546,441,000,000 115,933,000,000 759,137,000,000 310,985,000,000 115,933,000,000 813,342,000,000

PT Prashida Aneka Niaga 159,948,000,000 1,440,000,000 205 99.71 273,034,000,000 409,577,000,000 25,623,000,000 682,611,000,000 143,580,000,000 66,858,000,000 1,305,117,000,000

PT Pyridam Farma 101,593,000,000 535,080,000 176 70.12 35,636,000,000 82,397,000,000 5,172,000,000 118,034,000,000 37,522,000,000 7,005,000,000 151,094,000,000

PT Schering Plough Indonesia 69,160,000,000 48,000,000 29,831 3942.50 290,920,000,000 21,600,000,000 25,420,000,000 41,430,000,000 189,240,000,000 23,940,000,000 25,420,000,000

PT Sekar Bumi 7,563,000,000 851,391,894 390 17.72 85,384,000,000 105,952,000,000 7,563,000,000 191,336,000,000 15,088,000,000 53,037,000,000 650,044,000,000

PT Sekar Laut 72,500,000,000 6,907,000,000 140 0.36 91,300,000,000 122,900,000,000 344,400,000,000 214,200,000,000 2,500,000,000 6,000,000,000 272,000,000,000

PT Tempo Scan Pasifiic 2,200,043,000,000 4,500,000,000 2,550 461.24 1,204,439,000,000 1,279,829,000,000 566,048,000,000 4,250,374,000,000 2,075,573,000,000 662,819,000,000 5,780,664,000,000

PT Tiga Pilar Sejahtera Food 422,341,000,000 2,926,000,000 495 278.45 1,834,123,000,000 1,832,817,000,000 149,951,000,000 3,509,309,000 814,745,000,000 303,376,000,000 1,752,802,000,000

PT Tri Banyan Tirta 47,000,000,000 1,400,000,000 210 157.14 104,541,982,285 112,306,066,731 16,000,000,000 216,848,049,016 220,000,000,000 31,000,000,000 234,000,000,000

PT Ultrajaya Milk Industri and Trading Company 128,450,000 2,888,000 1,330 1050.00 828,546,000 128,359,000 136,645,000 1,069,736 291,584,000 136,645,000 2,102,384

PT Unilever Indonesia 13,869,000,000,000 7,630,000,000 20,850 327.65 8,017,000,000,000 3,968,000,000,000 6,467,000,000,000 11,985,000,000,000 2,500,000,000,000 6,498,000,000,000 27,303,000,000,000

Wismilak Inti Makmur 260,843,095,184 2,099,000 620 135468.84 456,713,718,866 284,349,092,998 77,000,000,000 741,062,811,864 284,349,092,998 129,537,165,558 1,119,062,225,729

(4)

Tabel 7. Laporan Keuangan Perusahaan Sampel Tahun 2012

Nama Perusahaan Earning After Tax (Rp)Number Of Share (Unit) Reg. Closing Price (RpBook Value Per Share (RpLeverage (Rp) Owner's Equity (Rp)Net Income (Rp) Total Asset (Rp) Equity (Rp) Income (Rp) Total Sales (Rp) Bantoel International Investma 1,669,909,000,000 7,240,005,000 580 241.6845016 1,923,933,000,000 158,703,500 9,850,010,000,000 6,935,601,000,000 1,749,797,000,000 201,627,000,000 19,877,000,000

Chitose International 42,154,164,550 2,662,500 362 69527.43616 77,798,659,892 181,179,441,701 42,154,164,550 140,143,855,044 185,116,798,787 35,944,492,405 288,128,866,854

Gudang Garam 9,184,722,000,000 1,924,008,000 60,450 8394.821643 26,605,713,000,000 26,600,000,000,000 49,028,696,000,000 41,509,325,000,000 16,151,704,000,000 6,025,681,000,000 49,000,000,000,000

Handjaya Mandala Sampoerna 18,507,000,000,000 4,383,000,000 59,900 2105.863564 12,939,000,000,000 13,308,000,000,000 13,383,000,000,000 26,247,000,000,000 9,230,000,000,000 13,345,000,000,000 66,626,000,000,000

Kedawung Setia Industrial 160,581,000,000 405,000,000 495 338.9160494 254,558,000,000 316,006,000,000 36,837,000,000 570,564,000,000 137,261,000,000 57,641,000,000 1,301,332,000,000

PT Akasha Wira International 591,940,000 589,896,800 2000 1000 179,972,000 264,778,000 83,376,000 441,064,000 88,025,000 476,638,000 502,524,000

PT Cahaya Kalbar 2,250,000,000,000 297,500,000 1,160 1775.714064 541,000,000,000 528,000,000,000 58,000,000,000 1,069,000,000 528,274,933,918 65,000,000,000 2,531,000,000

PT Daya Varia Laboratoria 651,109,890 1,120,000,000 2,200 1000 233,144,997 66,600,851 148,909,089 1,074,691,476 841,546,479 196,165,866 1,087,379,869

PT Delta Djakarta 287,505,000,000 16,013,181 255,000 31937.06485 147,095,000,000 598,212,000,000 719,952,000,000 745,307,000,000 511,414,000,000 213,421,000,000 1,719,815,000,000

PT Indofarma 367,895,000,000 3,099,000,000 330 131.5827686 650,102,000,000 650,102,000,000 42,395,000,000 1,118,618,000,000 407,775,000,000 83,309,000,000 1,156,050,000,000

PT Indofood CBP Sukses Makmur 13,566,100,000,000 8,780,000,000 5,850 1493.439636 25,181,500,000,000 34,142,700,000,000 4,779,400,000,000 59,324,200,000,000 13,112,400,000,000 6,852,500,000,000 50,059,400,000,000

PT Kalbe Farma 5,551,173,000,000 46,875,000,000 1,060 97.06865067 2,046,314,000,000 7,371,643,000,000 1,734,000,000,000 9,417,957,000,000 4,550,093,000,000 1,775,099,000,000 13,636,405,000,000

PT Kedaung Indah Can 14,530,000,000 138,000,000 385 356.1594203 28,400,000,000 66,560,000,000 2,260,000,000 94,960,000,000 49,150,000,000 3,120,000,000 94,790,000,000

PT Kimia Farma 1,175,167,000,000 1,677,044,000 740 577.5722044 634,814,000,000 1,426,497,000,000 205,133,000,000 2,076,348,000,000 968,614,000,000 986,614,000,000 3,734,241,000,000

PT Langgeng Makmur Industry 2,341,000,000 1,009,000 425 82.75817641 815,153,000 40,396,000 815,153,000 83,503,000 83,503,000 34,492,000 598,260,000

PT Mandom Indonesia 777,114,000,000 201,066,667 11,900 2602.042436 1,465,952,000,000 1,182,991,000,000 160,564,000,000 1,465,952,000,000 523,184,000,000 225,889,000,000 2,027,889,000,000

PT Martina Berto 325,870,000,000 1,070,000,000 305 317.8280374 160,451,000,000 451,318,000,000 16,163,000,000 611,770,000,000 340,076,000,000 21,535,000,000 641,285,000,000

PT Mayora Indah 2,345,616,000,000 766,584,000 20,000 4001.974996 5,234,656,000,000 3,067,850,000,000 10,510,626,000,000 8,302,506,000,000 3,067,850,000,000 1,156,560,000,000 10,510,625,669,932

PT Merck 424,442,000,000 22,400,000 152,000 18,605 152,689,000,000 416,742,000,000 107,908,000,000 569,431,000,000 344,055,000,000 141,248,000,000 929,877,000,000

PT Multi Bintang Indonesia 959,618,000,000 162,500 707,667 652,832 822,195,000,000 329,853,000,000 453,405,000,000 1,152,048,000,000 334,208,000,000 607,261,000,000 1,566,984,000,000

PT Mustika Ratu 200,442,000,000 428,000,000 465 611.8084112 61,792,000,000 377,791,000,000 30,751,000,000 439,584,000,000 261,854,000,000 41,592,000,000 358,127,000,000

PT Nippon Indosari Corporindo 556,412,000,000 66,351,000 6,900 0.645426411 538,337,000,000 666,607,000,000 149,149,000,000 1,204,944,000,000 359,123,000,000 149,149,000,000 1,190,825,000,000

PT Prashida Aneka Niaga 176,223,000,000 1,440,000,000 150 106.7104167 264,232,000,000 417,600,000,000 21,322,000,000 681,832,000,000 153,663,000,000 56,942,000,000 1,279,553,000,000

PT Pyridam Farma 115,674,000,000 535,080,000 175 75.06914854 48,144,000,000 87,705,000,000 5,308,000,000 135,849,000,000 40,168,000,000 8,898,000,000 176,730,000,000

PT Schering Plough Indonesia 127,320,000,000 48,000,000 34,050 3470.625 423,210,000,000 17,290,000,000 12,370,000,000 164,520,000,000 166,590,000,000 3,650,000,000 12,370,000,000

PT Sekar Bumi 12,703,000,000 851,391,894 155 0.034038291 161,282,000,000 127,680,000,000 12,501,000,000 288,962,000,000 25,655,000,000 73,803,000,000 753,710,000,000

PT Sekar Laut 90,800,000,000 6,907,000,000 180 0.361951643 120,300,000,000 129,500,000,000 401,700,000,000 249,800,000,000 2,500,000,000 8,000,000,000 310,900,000,000

PT Tempo Scan Pasifiic 2,488,321,000,000 4,500,000,000 3,675 510.3651111 1,279,829,000,000 3,353,156,000,000 627,950,000,000 4,632,985,000,000 2,296,643,000,000 742,207,000,000 6,630,810,000,000

PT Tiga Pilar Sejahtera Food 605,246,000,000 2,926,000,000 1,080 112.0789474 1,757,492,000,000 2,033,453,000,000 253,664,000,000 3,867,576,000,000 327,943,000,000 459,778,000,000 2,747,623,000,000

PT Tri Banyan Tirta 55,000,000,000 2,184,000,000 210 228.9377289 135,730,005,941 188,921,883,796 14,000,000,000 324,651,889,737 500,000,000,000 31,000,000,000 253,000,000,000

PT Ultrajaya Milk Industri and Trading Comp 353,432,000 2,888,000 4,500 3,000 744,275,000 352,965,000 429,342,000 979,512,000 603,604,000 429,342,000 2,809,851

PT Unilever Indonesia 15,778,000,000,000 7,630,000,000 26,000 335.1245085 9,094,000,000,000 4,255,000,000,000 7,159,000,000,000 13,248,000,000,000 2,557,000,000,000 7,164,000,000,000 30,757,000,000,000

Wismilak Inti Makmur 304,641,021,021 2,099,000 670 312674.7802 550,946,790,179 656,304,363,721 132,000,000,000 1,207,251,153,900 656,304,363,721 77,301,783,553 1,119,062,225,729

(5)

B-29

Tabel 8. Nilai Kriteria Alternatif Perusahaan

Nama Perusahaan Harga Saham Profit Bagi Investor Tingkat Resiko Jangka Investasi

Bantoel International Investma 580 1 260.49 1

Chitose International 362 3 0.42 3

Gudang Garam 42000 1000 72.59 5

Handjaya Mandala Sampoerna 62400 1750 0.17 5

Kedawung Setia Industrial 345 1562 141.54 2

PT Akasha Wira International 2000 20 0.67 4

PT Cahaya Kalbar 1160 100 102 3

PT Daya Varia Laboratoria 2200 34.5 0.3 2

PT Delta Djakarta 111500 11000 25.08 1

PT Indofarma 330 1 82,84 3

PT Indofood CBP Sukses Makmur 6600 169 0.6 1

PT Kalbe Farma 1250 19 7.01 3

PT Kedaung Indah Can 385 1 0.33 4

PT Kimia Farma 590 2.55 107 3

PT Langgeng Makmur Industry 830 1 1.07 3

PT Mandom Indonesia 11900 370 23.92 2

PT Martina Berto 200 10 36.5 5

PT Mayora Indah 26000 230 149 1

PT Merck 189000 3570 0.36 1

PT Multi Bintang Indonesia 1200000 9500 80 1

PT Mustika Ratu 350 16.5 29.9 5

PT Nippon Indosari Corporindo 1020 26.83 1.32 3

PT Prashida Aneka Niaga 143 1 64 5

PT Pyridam Farma 148 1 56 5

PT Schering Plough Indonesia 29831 1 7083 2

PT Sekar Bumi 480 5.8 1.5 4

PT Sekar Laut 180 3 116.3 5

PT Tempo Scan Pasifiic 3250 75 40 2

PT Tiga Pilar Sejahtera Food 1430 8 1.13 2

PT Tri Banyan Tirta 352 1 1,33 3

PT Ultrajaya Milk Industri and Trading Company 4500 1000 39.52 3

PT Unilever Indonesia 32300 707 210.5 1

(6)