IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION DAN WEIGHTED PRODUCT DALAM MEMILIH PERUSAHAAN TEMPAT BERINVESTASI
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 IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION DAN
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
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
PERNYATAAN
IMPELEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION DAN
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
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.
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, Sofiya Nazara
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 d ibagi 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.
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.
DAFTAR ISI
Hal.15
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
16
7
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
8
2.1.3 Proses Pembelajaran Jaringan Syaraf
Persetujuan ii
1.3 Batasan Masalah
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
4
2.1.2 Fungsi Aktivasi
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
19 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
27
3.1.3.1 Analisis Proses Learning Vector Quantization
27
3.1.3.2 Analisis Proses Weighted Product
30
3.2 Pemodelan
31
3.2.1 Use Case Diagram
32
3.2.1.1 Use Case Pelatihan LVQ
32
3.2.1.2 Use Case Pengujian LVQ
33
3.2.1.3 Use Case Merangking Alternatif Perusahaan
34
3.2.2 SequenceDiagram
35
3.2.2.1 Sequence DiagramProses Pelatihan LVQ
35
3.2.2.2 Sequence Diagram Proses Pengujian LVQ
35
3.2.2.3 Sequence Diagram Proses Merangking Alternatif
36 Perusahaan
3.2.3 Activity Diagram
36
3.2.3.1 Activity Diagram Proses Pelatihan LVQ
37
3.2.3.2 Activity Diagram Proses Pengujian LVQ
37
3.2.3.3 Activity Diagram Proses Merangking Alternatif
38 Perusahaan
3.3 Pseudocode Program
38
3.3.1 Pseudocode Proses Pelatihan
38
3.3.2 Pseudocode Proses Pengujian
39
3.3.3 Pseudocode Proses Perangkingan Weighted Product
39
3.4 Perancangan Flowchart
40
3.4.1 Flowchart Sistem
40
3.4.2 Flowchart Proses Pelatihan
41
3.4.3 Flowchart Proses Pengujian
42
3.4.4 Flowchart Proses Perangkingan Alternatif
43
3.5 PerancanganData
44
3.5.1 Perancangan Masukan
44
3.5.1.1 Perancangan Masukan Untuk Algoritma LVQ
44
3.5.1.2 Perancangan Masukan Untuk Algoritma WP
44
3.5.2 Perancangan Keluaran
44
3.5.2.1 Perancangan Keluaran Algoritma LVQ
44
3.5.2.2 Perancangan Keluaran Algoritma WP
44
3.6 Perancangan Antarmuka
45
3.6.1Antarmuka Home
46
3.6.2 Antarmuka Pelatihan
47
3.6.3 Antarmuka Pengujian
49
3.6.4 Antarmuka Proses WP
50
3.6.5 Antarmuka Help
50
3.6.6 Antarmuka Konfirmasi Keluar 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
61
4.2.1.3 Ketepatan Perangkingan Alternatif Menggunakan WP
64 Bab 5 Kesimpulan dan Saran
66
5.1 Kesimpulan
66
5.2 Saran
66 Daftar Pustaka
64 Lampiran Listing Program A-1
Lampiran Nama Perusahaan A-25
Lampiran Laporan Keuangan Perusahaan A-27 Lampiran Curriculum Vitae
B-1
DAFTAR TABEL Hal.
2.1 Rating Kinerja Metode WP
16
3.1 Input Vektor Masukan dan Kelasnya
28
3.2 Bobot Kelas
28
3.3 Bobot kriteria
30
3.4 Kriteria kemampuan investor dalam penanaman modal
30
3.5 Dokumentasi Naratif Use Case Pelatihan LVQ
32
3.6 Dokumentasi Naratif Use Case Pengujian LVQ
33
3.7 Dokumentasi Naratif Use Case Merangking Alternatif Perusahaan
34
4.1 Parameter Penentu Nilai Saham Dari Laporan Keuangan
53
4.2 Hasil Analisis Laporan Keuangan (Rumus Hal.20)
54
4.3 Bobot Masing-Masing Kelas Target
54
4.4 Bobot Kriteria Setiap Alternatif Perusahaan (Data Terlampir)
57
4.5 Normaliasi Bobot Prioritas
57
4.6 Perhitungan Vektor S dan Vektor V setiap alternatif
58
4.7 Hasil Pelatihan Menggunakan Metode LVQ
61
4.8 Hasil Prediksi Nilai Saham Dengan Metode LVQ
63
4.9 Hasil Uji Prediksi Dengan Metode LVQ
63
1. Sub Sektor Makanan & Minuman A-42
2. Sub Sektor Rokok A-42
3. Sub Sektor Kosmetik & Keperluan Rumah Tangga A-42
4. Sub Sektor Farmasi A-43
5. Sub Sektor Peralatan Rumah Tangga A-43
6. Laporan Keuangan Perusahaan Sampel Tahun 2011 A-44
7. Laporan Keuangan Perusahaan Sampel Tahun 2012 A-45
8. Nilai Kriteria Alternatif Perusahaan A-46
DAFTAR GAMBAR Hal.
37
14
22
22
23
26
32
35
35
36
37
9
38
40
41
42
43
45
46
47
49
50
10
8
2.1 Model Neuron Jaringan Syaraf Tiruan
3.6 Activity Diagram Proses Pelatihan LVQ
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
3.7 Activity Diagram Proses Pengujian LVQ
3.18 Tampilan Antarmuka Konfirmasi Exit
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
50
4.1 Antarmuka Menu Home Sistem
52
64
62
62
60
59
56
55
52
4.2 Antarmuka Pelatihan LVQ
4.10 Hasil Proses Perangkingan WP
4.9. Pembobotan untuk proses WP
4.8. Tampilan Setelah Prediksi Nilai Saham Dengan Metode LVQ
4.7 Tampilan Sebelum Prediksi Nilai Saham Dengan Metode LVQ
4.6 Antarmuka Hasil Pelatihan LVQ
4.5 Antarmuka Help
4.4. Proses Perangkingan Alternatif Dengan WP
4.3 Antarmuka Pengujian LVQ Setelah Dikenali
65