PENERAPAN ALGORITMA ROUGH SET DAN METODE
PENERAPAN ALGORITMA ROUGH SET DAN METODE
ANALISIS RASIO DALAM MENGANALISA LAPORAN
KEUANGAN (Studi Kasus Di Bursa Efek Indonesia Cabang UPIYPTK)
Emil Riza Putra, S.Kom1), Prof. Dr. Sarjon Defit, M.Kom2) ,
Dr. Ir. Gunadi Widi Nurcahyo, M.Sc3)
1) Magister Ilmu Komputer, U P I - Y P T K , P a d a n g
email: emilriza92@gmail.com
2) Magister Ilmu Komputer, U P I - Y P T K , P a d a n g
email: sarjondefit@upiyptk.ac.id
3) Magister Ilmu Komputer, U P I - Y P T K , P a d a n g
email: gunadiwidinurcahyo@upiyptk.ac.id
Abstrak – Laporan keuangan merupakan gambaran keuangan perusahaan selama periode tertentu.
Laba rugi perusahaan dapat dilihat dari laporan keuangan perusahaan tersebut. Laporan keuangan
biasa dilakukan dengan metode analisis rasio, yang berguna untuk melihat rasio keuangan sebuah
perusahaan. Di dalam hasil rasio keuangan beberapa perusahaan di bidang makanan, terdapat
pengetahuan yang tersembunyi. Pengetahuan tersembunyi tersebut dapat dicari menggunakan metode
Rought Set. Penelitian dilakukan dengan menganalisa laporan keuangan perusahaan di bidang makanan
pada triwulan III tahun 2015 di Bursa Efek Indonesia cabang UPI-YPTK. Setelah dilakukan analisa
lanjutan menggunakan Rought Set, diketahui bahwa perusahaan yang memiliki keuntungan adalah
perusahaan yang memiliki rasio baik. Dari penelitian ini dapat diketahui bahwa Rought Set dapat
digunakan sebagai salah satu metode dalam menganalisa laporan keuangan.
Kata Kunci
1.
: Data Mining, Pengetahuan, Rough Set, Analisis Rasio, Laporan Keuangan.
PENDAHULUAN
Perkembangan teknologi informasi yang
semakin pesat dewasa ini, maka sangat
memungkinkan
bagi
suatu
organisasi,
perusahaan, instansi pemerintah ataupun
perorangan
untuk
menggunakan
dan
menerapkan hasil dari teknologi tersebut. Salah
satu hasil dari teknologi informasi tersebut bisa
digunakan untuk memperoleh knowledge yang
diperlukan sebagai bahan dalam pengambilan
keputusan. Bahan tersebut bisa berbentuk data,
di mana data yang terkumpul akan semakin
banyak seiring dengan waktu operasi organisasi
atau instansi pemerintah tersebut.
Salah satunya adalah Bursa Efek Indonesia
yang merupaka pasar modal terbesar di
Indonesia, dan telah memiliki cabang di kotakota besar di Indonesia. Salah satunya ialah
cabang UPI-YPTK, yang merupakan cabang
yang baru berdiri. Perusahaan yang terdaftar di
bursa efek wajib mempublikasikan laporan
keuangannya setiap triwulan per tahun di
website resmi Bursa Efek Indonesia, sebagai
bentuk transparansi terhadap para pemegang
saham. Investor akan menggunakan laporan
tersebut sebagai bahan pertimbangan untuk
membeli, menjual atau mempertahankan saham
perusahaan tersebut.
Dalam melakukan proses penanaman
modal melalui kegiatan jual beli saham yang
ditawarkan oleh perusahaan, seorang investor
akan mengharapkan adanya suatu tingkat
pengembalian atas saham yang dibelinya.
Tingkat pengembalian dapat diperoleh melalui
pembagian deviden dan capital gain yaitu
selisih dari harga sewaktu membeli dan menjual
saham (Ratih Puspitasari, 2011).
Rough
Set
digunakan
untuk
mengklasifikasikan komposisi matrix untuk
menghasilkan
rule
yang
tersembunyi
(Bhattacharya, 2014). Dengan Rough Set saya
mencoba untuk
membandingkan setiap
parameter yang ada. Sumber pengambilannya
berasal dari output yang dihasilkan dari analisis
sebelumnya. Setelah mendapatkan hasil
berdasarkan jumlah rasio keuangan maka
parameter-parameter tersebut dapat diketahui
karakteristik dari setiap perusahaan yang
terdaftar di Bursa Efek Indonesia.
Rough set diperlukan dalam proses ini
untuk
menangani
masalah
uncertainty,
imprecision dan vagueness sehingga ditemukan
pola hubungan yang cocok dengan penelitian ini
(Noor Akhmad, 2012)
Algoritma Rough Set dapat membantu
dalam penelitian untuk memberikan gambaran
tentang knowledge yang tersembunyi dari hasil
analisis laporan keuangan tersebut. Dari kondisi
tersebut, maka dalam penelitian ini diusulkan
metode analisis rasio untuk menganalisis
laporan keuangan perusahaan dan algoritma
Rough Set untuk mencari knowledge dari hasil
analisis laporan keuangan tersebut.
2. LANDASAN TEORI
2.1
Knowledge Discovery in Databases
(KDD)
Knowledge Discovery in Databases
(KDD) sering kali digunakan secara bergantian
dengan Data Mining untuk menjelaskan proses
penggalian informasi tersembunyi dalam suatu
basis data yang besar. Sebenarnya kedua istilah
tersebut memiliki konsep yang berbeda akan
tetapi berkaitan satu sama lain. Data Mining
adalah sinonim untuk penemuan pengetahuan
istilah lain yang populer dalam Knowledge
Discovery in Databases (Jnanamurthi, 2013).
Proses Knowledge Discovery in Databases
ditunjukkan pada Gambar 2.1 :
Gambar 2.1. Proses dalam KDD
Ada
tiga
proses
dalam
KDD
(preprocessing,
Data
Mining,
pasca
processing), preprocessing dieksekusi sebelum
teknik Data Mining yang diterapkan pada data.
Proses preprocessing meliputi data cleaning,
integrasi data, seleksi data dan transformasi
data. Proses utama KDD adalah proses Data
Mining, dalam proses ini algoritma yang
berbeda diterapkan untuk menghasilkan
pengetahuan yang tersembunyi. Setelah proses
lain
yang
disebut
pasca
processing,
mengevaluasi hasil Data Mining sesuai dengan
kebutuhan pengguna dan pengetahuan umum.
Mengenai hasil evaluasi, pengetahuan dapat
disajikan jika hasilnya memuaskan, kalau tidak
kita harus menjalankan beberapa atau semua
proses-proses lagi sampai kita mendapatkan
hasil yang memuaskan.
Dalam proses KDD, awalnya bersih dan
mengintegrasikan database dan sumber data
dapat berasal dari database yang berbeda di
mana mungkin memiliki beberapa inkonsistensi
dan redundansi. Membersihkan sumber data
dengan menghapus data atau membuat beberapa
perubahan. Setelah bersih dan integrasi
database, pilih data terkait dari sumber yang
terintegrasi dan mengubahnya menjadi format
yang siap untuk diproses.
2.1.1 Data Mining
Data Mining adalah proses yang
menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi
yang bermanfaat dan pengetahuan yang terkait
dari berbagai database besar. Istilah Data
Mining memiliki hakikat sebagai disiplin ilmu
yang
tujuan
utamanya
adalah
untuk
menemukan, menggali, atau menambang
pengetahuan dari data atau informasi yang kita
miliki (Mujib Ridwan, 2013).
2.1.2 Tahapan Data Mining
Sebagai suatu rangkaian proses, Data
Mining dapat dibagi menjadi beberapa tahap
proses yang diilustrasikan pada Gambar 1.
Tahap-tahap tersebut
bersifat interaktif,
pemakai terlibat langsung atau dengan
perantaraan knowledge base (Mujib Ridwan,
2013).
Tahap-tahap Data Mining adalah sebagai
berikut:
1. Pembersihan data (data cleaning)
Pembersihan data merupakan
proses
menghilang-kan noise dan data yang tidak
konsisten atau data tidak relevan.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru.
3. Seleksi data (data selection)
Data yang ada pada database sering kali
tidak semuanya dipakai, oleh karena itu
hanya data yang sesuai untuk dianalisis
yang akan diambil dari database.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format
yang sesuai untuk diproses dalam Data
Mining.
5. Proses mining
Merupakan suatu proses utama saat
metode diterapkan
untuk menemukan
pengetahuan berharga dan tersembunyi dari
data. Beberapa metode yang dapat
digunakan berdasarkan pengelompokan
Data Mining.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik
ke dalam
knowledge based
yang
ditemukan.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian
pengetahuan mengenai
metode yang
digunakan untuk memperoleh pengetahuan
yang diperoleh pengguna.
laporan keuangan berdasarkan keperluarn
analisis rasio dapat dilihat seperti tabel 4.2 dan
4.3.
Gambar 2.2. Tahap-Tahap Data Mining
2.1.3 Algoritma Rough Set
Algoritma Rough Set adalah sebuah teknik
matematik yang dikembangkan oleh Pawlack
pada tahun 1980. Teknik ini digunakan untuk
menangani masalah Uncertainty, Imprecision
dan Vagueness dalam aplikasi Artificial
Intelligence (AI). Ianya merupakan teknik yang
efisien untuk Knowledge Discovery in Database
(KDD) proses dan Data Mining (Nurhayati,
2014).
Secara umum, teori Rough Set telah
digunakan dalam banyak applikasi seperti
medicine, pharmacology, business, banking,
engineering design, image processing dan
decision analysis. Rough set menawarkan dua
bentuk representasi data yaitu Information
Systems (IS) dan Decision Systems (DS).
2.2 Analisis Laporan Keuangan
Menurut Lembaga Studi Manajemen
Anggaran Publik (LS-MAP, 2010) menyatakan
bahwa Menurut Ikatan Akuntan Indonesia
Analisis Laporan Keuangan adalah analisis
terhadap neraca dan perhitungan rugi laba serta
segala keterangan-keterangan yang dimuat
dalam lampiran-lampiran nya untuk mengetahui
gambaran tentang posisi keuangan dan
perkembangan
usaha
perusahaan
yang
bersangkutan.
Pengertian analisa rasio keuangan menurut
James C van Horne dalam buku Kasmir (2010,
h104) adalah indeks yang menghubungkan dua
angka akuntansi dan diperoleh dengan membagi
satu angka dengan angka lainnya. Rasio
keuangan digunakan untuk mengevaluasi
kondisi keuangan dan kinerja perusahaan.
3.
HASIL DAN PEMBAHASAN
Dalam menganalisa laporan keuangan
dapat dilakukan dengan metode Analisis Rasio,
data dikelompokkan berdasarkan rasio - rasio
yang telah ditentukan. Pengelompokan data
Setelah didapati rekapitulasi data laporan
keuangan yang akan digunakan dalam
melakukan analisis rasio, langkah selanjutnya
adalah melakukan analisis rasio yang dimulai
dari rasio Liquiditas. Rasio Liquiditas terbagi
atas 5 sub rasio yaitu rasio lancar, rasio cepat,
rasio kas, perputaran kas dan inventoi to net
working capital. Berikut ini adalah perhitungan
rasio Liquiditas :
1. PT. Indofood Sukses Makmur. Tbk
Perhitungan rasio liquiditas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.4.
Setelah dihitung menggunakan rumus rasio
liquiditas maka didapatkan hasil analisis
liquiditas, hasil lengkapnya dapat dilihat pada
tabel 4.5.
terbagi atas 4 sub rasio yaitu debt to asset rasio,
debt to equity ratio, long term debt equity rati
dan time interested earned. Berikut ini adalah
perhitungan rasio Solvabilitas :
1. PT. Indofood Sukses Makmur. Tbk
a. Debt to Asset Ratio
b.
Debt to Equity Ratio
c.
Long-Term Debt to Equity Ratio
d.
Time Interest Earned
Perhitungan rasio Solvabilitas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.6.
Pada tabel 4.5 di atas didapatan hasil
analisis rasio Liquiditas secara keseluruhan
dengan sub rasio rasio lancar (RL1), rasio cepat
(RL2), rasio kas (RL3), perputaran kas (RL4),
Inventori to Net Working Capital (RL5). Hasil
tersebut diukur oleh standar industri (STI) yang
berlaku. Semakin besar nilai rasio dari standar
industri maka kinerja rasio tersebut semakin
baik, begitu juga sebaliknya. Hasil rasio yang
berada diatas standar industri ditandai dengan
tulisan tebal.
Langkah selanjutnya adalah melakukan
analisis rasio Solvabilitas. Rasio Solvabilitas
Setelah dihitung menggunakan rumus rasio
liquiditas maka didapatkan hasil analisis ini
seperti tabel 4.7.
Perhitungan rasio Aktivitas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.8.
Pada tabel 4.7 di atas didapatan hasil
analisis rasio Liquiditas secara keseluruhan
dengan sub rasio Debt To Asset Rasio (RS1),
Debt To Equity Ratio (RS2), Long Term Debt
Equity Ratio (RS3), Time Interested Earned
(RS4). Hasil tersebut diukur oleh standar
industri (STI) yang berlaku. Semakin kecil nilai
rasio dari standar industri maka kinerja rasio
tersebut semakin baik kecuali Time Interested
Earned, begitu juga sebaliknya. Hasil rasio yang
lebih baik dari standar industri ditandai dengan
tulisan tebal.
Langkah selanjutnya adalah melakukan
analisis rasio Aktivitas. Rasio Aktivitas terbagi
atas 5 sub rasio yaitu perputaran piutang,
perputaran persediaan, perputaran modal kerja,
fixed asset turn over dan perputaran total aktiva.
Berikut ini adalah perhitungan rasio Aktivitas :
1. PT. Indofood Sukses Makmur. Tbk
Setelah dihitung menggunakan rumus
rasio Aktivitas maka didapatkan hasil analisis
ini seperti tabel 4.9.
Pada tabel 4.9 di atas didapakan hasil
analisis rasio Aktifitas secara keseluruhan
dengan sub rasio yaitu perputaran piutang
(RA1), perputaran persediaan (RA2), perputaran
modal kerja (RA3), fixed asset turn over (RA4)
dan perputaran total aktiva (RA5). Hasil
tersebut diukur oleh standar industri (STI) yang
berlaku. Semakin besar nilai rasio dari standar
industri maka kinerja rasio tersebut semakin bai.
Hasil rasio yang lebih baik dari standar industri
ditandai dengan tulisan tebal.
Langkah terakhir adalah melakukan
analisis rasio Profitabilitas. Rasio Profitabilitas
terbagi atas 3 sub rasio yaitu net profit margin,
return of invesment dan return of equity. Berikut
ini adalah perhitungan rasio Profitabilitas :
1. PT. Indofood Sukses Makmur. Tbk
Perhitungan rasio Profitabilitas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.10.
Setelah dihitung menggunakan rumus
rasio Profitabilitas maka didapatkan hasil
analisis ini seperti tabel 4.11.
Pada tabel 4.11 di atas didapatan hasil
analisis rasio Profitabilitas secara keseluruhan
dengan sub rasio yaitu Net Profit Margin (RP1),
Return Of Invesment (RP2), Return Of Equity
(RP3). Hasil tersebut diukur oleh standar
industri (STI) yang berlaku. Semakin besar nilai
rasio dari standar industri maka kinerja rasio
tersebut semakin bai. Hasil rasio yang lebih baik
dari standar industri ditandai dengan tulisan
tebal.
Analisa Hasil Analisis Rasio
Berdasarkan hasil analisis rasio di atas,
kemudian data tersebut dikelompokkan agar
dapat dilakukan analisa dengan metode Rough
Set.
Analisa
dilakukan
dengan
cara
menjumlahkan hasil sub rasio berdasarkan
kelompok rasio yang bernilai lebih baik dari
standar industri. Dari penjumlahan tersebut
didapati jumlah sub rasio yang nilainya lebih
baik dari standar industri. Dan memasukkan
atribut hasil untuk penggunaan algoritma Rough
Set yaitu laba/rugi perusahaan seperti tabel 4.12.
berdasarkan atributnya. Berukut adalah
tabel Decission System dari hasil
analisis rasio laporan keuangan
perusahaan pada triwulan III.
Setelah didapatkan data jumlah rasio
yang berada di atas standar industri, maka tahap
selanjutnya adalah mengidentifikasi apakah
rasio perusahaan tersebut baik atau tidak baik.
Rasio Liquiditas dinyatakan baik apabila jumlah
rasio yang berada di atas standar industri yaitu
di atas 3 buah, rasio Solvabilitas dinyatakan
baik apabila jumlah rasio yang berada di atas
standar industri di atas yaitu 2 buah, rasio
Aktivias dinyatakan baik apabila jumlah rasio
yang berada di atas standar industri yaitu di atas
1 buah, rasio Profitabilitas dinyatakan baik
apabila jumlah rasio yang berada di atas standar
industri yaitu di atas 0 buah. Hasil pernyataan
baik atau buruk tersebut digunakan sebagai
input dalam analisa berikutnya dengan
menggunakan Rough Set seperti pada tabel 4.13
berikut ini :
Analisa Metode Rough Set
Setelah didapatkan hasil dari analisis
rasio, maka tahap selanjutnya adalah
menganalisa data tersebut dengan menggunkan
metode Rought Set. Adapun metode Rought Set
terdiri dari beberapa tahapan yaitu :
1. Decission System
Decission
System
merupakan
Information System yang telah
memiliki
keputusan
atau
hasil
berdasarkan asumsi yang telah
memenuhi syarat dan ketentuan
Tabel 4.15 memperlihatkan sebuah
Decission System yang sederhana, yang terdiri
dati n objel, E1, E2, E3, E4, E5, E6, E7, E8, E9,
E10.
2. Equivalence Class
Equivalence
Class
adalah
pengelompokan objek-objek yang
sama seperti yang digambarkan pada
tabel 4.16
3. Discernibility Matrix atau Discernibility Matrix Modulo D
Setelah dilakukan klasifikasi dengan
Equivalence
Class.
Langkah
selanjutnya untuk menganalisa data
tersebut adalah dengan salah satu
proses antara Discernibility Matrix
atau Discernibility Matrix Modulo D.
Untuk menghitung
Discernibility
Matrix atau
Discernibility Matrix
Modulo D kita menggunakan tabel
acuan Discernibility Matrix atau
Discernibility Matrix Modulo D seperti
yang terlihat pada tabel 4.17, untuk
melihat
bagaimana
cara
mengklasifikasi
data
dengan
menggunakan Discernibility Matrix
dapat dilihat pada tabel 4.19 dan 4.20.
Dikarenakan
EC2
dan
EC3
menghasilkan keputusan yang berbeda maka
dilakukan
Data
Cleaning
untuk
menyederhanakannya sperti pada tabel 4.18 :
Setelah mendapati
tabel acuan
Discernibility Matrix atau Discernibility Matrix
Modulo D maka langkah selanjutnya adalah
mencari nilai dari Discernibility Matrix seperti
yang terdapat pada tabel 4.19 :
Tabel 4.19 Discernibility Matrix
EC1
EC2
EC3
EC4
EC1
A
B
BD
EC2
A
AB
ABD
EC3
B
AB
D
EC4
BD
ABD
D
Selain itu juga dapat menggunakan
Discernibility Matrix Modulo D. Discernibility
Matrix Modulo D ini merupakan sekumpulan
atribut yang berbeda antara objek ke-i dan objek
ke-j beserta dengan atribut hasilnya seperti
terlihat pada tabel 4.20 :
Tabel 4.20 Discernibility Matrix
Modulo D
EC1
EC1
EC2
EC3
EC4
EC2
A
A
EC3
EC4
AB
ABD
AB
ABD
Adapun
penulis
menggunakan
Discernibility Matrix Modulo D sebagai acuan
untuk penelitian ini.
4. Reduction
Berikut ini adalah Reduction dari Data
Mining “Analisa Laporan Keuangan” :
EC1
=A
EC 2
= A ^ (A v B) ^ (A v B v D)
= A ^ (AA + AB + AD v BA +
BB +BD
= A ^ (AA + AD v BB + BD)
= A ^ (A + AD v B + BD)
= A ^ (A(1+D) V B(1+D))
= A ^ (A v B)
= AA + AB
= A(1+B)
=A
EC3
= (A v B)
= {A}, {B}
EC4
= (A v B v D)
= {A}, {B}, {D}
5. Generate Rules
Setelah
didapatkan
hasil
dari
Reduction, maka langkah terakhir
untuk menentukan General Rules nya.
Adapun General Rules dari hasil
Reduction yang dideskripsikan pada
tabel penyeleksian analisis rasio adalah
sebagai berikut :
1. Berdasarkan nilai Reduct {A}
If Rasio Liquiditas Baik then
laba/rugi = laba
If Rasio Liquiditas Tidak Baik
then laba/rugi = rugi
2. Berdasarkan nilai Reduct {B}
If Rasio Solvabilitas Baik then
laba/rugi = laba
If Rasio Solvabilitas Tidak Baik
then laba/rugi = laba or laba/rugi =
rugi
3. Berdasarkan nilai Reduct {D}
If Rasio Profitabilitas Baik then
laba/rugi = laba
If Rasio Profitabilitas Tidak Baik
then laba/rugi = laba or laba/rugi =
rugi
Jadi jumlah General Rules keseluruhan
adalah 6 keputusan atau pengetahuan yang baru.
Setelah didapat General Rules berarti selesai
proses dari pengolahan Data Mining untuk
mengetahui pengetahuan yang terdapat pada
hasil analisis rasio perusahaan yang terdaftar di
Bursa Efek Indonesia.
Dari General Rules yang diperoleh
dapat disimpulkan apabila nilai rasio terdapat
dalam kondisi baik maka perusahaan tersebut
memperoleh laba, sedangkan perusahaan yang
merugi tidak memiliki rasio yang berada dalam
kondisi baik.
4. KESIMPULAN
Kesimpulan
Dalam penulisan tesis ini dapat
disimpulkan beberapa hal yang diperlukan
untuk
menganalisis
laporan
keuangan
perusahaan dibidang makanan yang terdaftar di
Bursa Efek Indonesia pada triwulan III tahun
2015. Peneliti menggunakan metode analisis
rasio dalam mengolah laporan keuangan
tersebut, kemudian menggunakan algoritma
Rough Set untuk mengolah kembali hasil
analisis rasio. Dalam penelitian tersebut,
peneliti menarik kesimpulan sebagai berikut:
1.
Analisa
laporan
keuangan
menggunakan metode analisis rasio dilakukan untk menganaisa laporan keuagan triwulan III tahun 2015, laporan tersebut
akan menghasilkan rasio keuangan.
2.
Hasil dari rasio keuangan perusahaan yang didapatkan menggunakan
analisis rasio dilakukan pengolahan kembali menggunakan Rough Set, dari pengolahan data menggunakan Rough Set didapatkan pengetahuan tersembunyi yang dapat digunakan investor sebagai salah satu
bahan pertimbangan untuk membeli saham.
Saran
Setelah penulis menyelesaikan tahap akhir
dari penelitian ini, penulis menyadari masih
banyak kekurangan-kekurangan yang mesti
diperbaiki dan dipenuhi, antara lain :
1.
Penelitian ini masih
jauh dari sempurna dan hanya di
implementasikan pada laporan keuangan
yang diterbitkan Bursa Efek Indonesia
pada periode triwulan III tahun 2015. Pada
suatu saat nanti penelitian ini mungkin bisa
dikembangkan lagi menjadi penelitian
yang lebih kompleks.
2.
Penelitian ini merupakan penelitian yang masih jarang dilakukan, karena melibatkan dua metode dari
disiplin ilmu yang berbeda.
3.
Penulis mengharapkan agar hasil dari penelitian ini dapat
menjadi pembuka jalan bagi peneliti lain
yang ingin menerapkan metode dari dua
atau lebih disiplin ilmu yang berbeda dalam melakukan sebuah penelitian.
4.
Penulis
mengharapkan agar hasil dari penelitian ini
dapat
bermanfaat bagi penulis dan
khususnya bagi investor yang akan melakukan pembelian saham.
DAFTAR REFERENSI
Babalola, 2013, Financial Ratio Analysis of
Firms: A Tool for Decision Making
Bhattacharya, 2014, Watermarking Digital
Image Using Fuzzy Matrix Compositions
and Rough Set
Jnanamurthi, 2013, Discovery of Maximal
Frequent Item Sets using Subset Creation
Listiana, 2012, Accurate Topological Measures
for Rough Sets
Kashmir, 2010, Analisis Laporan Keuangan,
Cetakan Ke-3, PT. Rajagrafindo Persada,
Jakarta.
Mujib Ridwan, 2013, Penerapan Data Mining
Untuk
Evaluasi
Kinerja
Akademik
Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier
Noor Akhmad, 2012, Seleksi Aturan
Menggunakan Rough Set Theory Untuk
Diagnosis Gangguan Transformator Daya
Berbasis Dissolved Gas Analysis (DGA)
Nurhayati, 2011, Metode Rought Set Untuk
Melihat Perilaku Suami yang Mnjadi
Aseptor KB Vasetonomi
Ratih Puspita Sari, 2011, Analisis Rasio
Likuiditas, Rasio Solvabilitas Dan Rasio
Profitabilitas Untuk Mengukur Kinerja
Keuangan Pada PT. KUD Kopta Unit
Tambang Di Samarinda
Widasari, 2010, Analisis Rasio Likuiditas, Rasio
Solvabilitas Dan Rasio Profitabilitas Untuk
Mengukur Kinerja Keuangan Pada PT. KUD
Kopta Unit Tambang Di Samarinda
ANALISIS RASIO DALAM MENGANALISA LAPORAN
KEUANGAN (Studi Kasus Di Bursa Efek Indonesia Cabang UPIYPTK)
Emil Riza Putra, S.Kom1), Prof. Dr. Sarjon Defit, M.Kom2) ,
Dr. Ir. Gunadi Widi Nurcahyo, M.Sc3)
1) Magister Ilmu Komputer, U P I - Y P T K , P a d a n g
email: emilriza92@gmail.com
2) Magister Ilmu Komputer, U P I - Y P T K , P a d a n g
email: sarjondefit@upiyptk.ac.id
3) Magister Ilmu Komputer, U P I - Y P T K , P a d a n g
email: gunadiwidinurcahyo@upiyptk.ac.id
Abstrak – Laporan keuangan merupakan gambaran keuangan perusahaan selama periode tertentu.
Laba rugi perusahaan dapat dilihat dari laporan keuangan perusahaan tersebut. Laporan keuangan
biasa dilakukan dengan metode analisis rasio, yang berguna untuk melihat rasio keuangan sebuah
perusahaan. Di dalam hasil rasio keuangan beberapa perusahaan di bidang makanan, terdapat
pengetahuan yang tersembunyi. Pengetahuan tersembunyi tersebut dapat dicari menggunakan metode
Rought Set. Penelitian dilakukan dengan menganalisa laporan keuangan perusahaan di bidang makanan
pada triwulan III tahun 2015 di Bursa Efek Indonesia cabang UPI-YPTK. Setelah dilakukan analisa
lanjutan menggunakan Rought Set, diketahui bahwa perusahaan yang memiliki keuntungan adalah
perusahaan yang memiliki rasio baik. Dari penelitian ini dapat diketahui bahwa Rought Set dapat
digunakan sebagai salah satu metode dalam menganalisa laporan keuangan.
Kata Kunci
1.
: Data Mining, Pengetahuan, Rough Set, Analisis Rasio, Laporan Keuangan.
PENDAHULUAN
Perkembangan teknologi informasi yang
semakin pesat dewasa ini, maka sangat
memungkinkan
bagi
suatu
organisasi,
perusahaan, instansi pemerintah ataupun
perorangan
untuk
menggunakan
dan
menerapkan hasil dari teknologi tersebut. Salah
satu hasil dari teknologi informasi tersebut bisa
digunakan untuk memperoleh knowledge yang
diperlukan sebagai bahan dalam pengambilan
keputusan. Bahan tersebut bisa berbentuk data,
di mana data yang terkumpul akan semakin
banyak seiring dengan waktu operasi organisasi
atau instansi pemerintah tersebut.
Salah satunya adalah Bursa Efek Indonesia
yang merupaka pasar modal terbesar di
Indonesia, dan telah memiliki cabang di kotakota besar di Indonesia. Salah satunya ialah
cabang UPI-YPTK, yang merupakan cabang
yang baru berdiri. Perusahaan yang terdaftar di
bursa efek wajib mempublikasikan laporan
keuangannya setiap triwulan per tahun di
website resmi Bursa Efek Indonesia, sebagai
bentuk transparansi terhadap para pemegang
saham. Investor akan menggunakan laporan
tersebut sebagai bahan pertimbangan untuk
membeli, menjual atau mempertahankan saham
perusahaan tersebut.
Dalam melakukan proses penanaman
modal melalui kegiatan jual beli saham yang
ditawarkan oleh perusahaan, seorang investor
akan mengharapkan adanya suatu tingkat
pengembalian atas saham yang dibelinya.
Tingkat pengembalian dapat diperoleh melalui
pembagian deviden dan capital gain yaitu
selisih dari harga sewaktu membeli dan menjual
saham (Ratih Puspitasari, 2011).
Rough
Set
digunakan
untuk
mengklasifikasikan komposisi matrix untuk
menghasilkan
rule
yang
tersembunyi
(Bhattacharya, 2014). Dengan Rough Set saya
mencoba untuk
membandingkan setiap
parameter yang ada. Sumber pengambilannya
berasal dari output yang dihasilkan dari analisis
sebelumnya. Setelah mendapatkan hasil
berdasarkan jumlah rasio keuangan maka
parameter-parameter tersebut dapat diketahui
karakteristik dari setiap perusahaan yang
terdaftar di Bursa Efek Indonesia.
Rough set diperlukan dalam proses ini
untuk
menangani
masalah
uncertainty,
imprecision dan vagueness sehingga ditemukan
pola hubungan yang cocok dengan penelitian ini
(Noor Akhmad, 2012)
Algoritma Rough Set dapat membantu
dalam penelitian untuk memberikan gambaran
tentang knowledge yang tersembunyi dari hasil
analisis laporan keuangan tersebut. Dari kondisi
tersebut, maka dalam penelitian ini diusulkan
metode analisis rasio untuk menganalisis
laporan keuangan perusahaan dan algoritma
Rough Set untuk mencari knowledge dari hasil
analisis laporan keuangan tersebut.
2. LANDASAN TEORI
2.1
Knowledge Discovery in Databases
(KDD)
Knowledge Discovery in Databases
(KDD) sering kali digunakan secara bergantian
dengan Data Mining untuk menjelaskan proses
penggalian informasi tersembunyi dalam suatu
basis data yang besar. Sebenarnya kedua istilah
tersebut memiliki konsep yang berbeda akan
tetapi berkaitan satu sama lain. Data Mining
adalah sinonim untuk penemuan pengetahuan
istilah lain yang populer dalam Knowledge
Discovery in Databases (Jnanamurthi, 2013).
Proses Knowledge Discovery in Databases
ditunjukkan pada Gambar 2.1 :
Gambar 2.1. Proses dalam KDD
Ada
tiga
proses
dalam
KDD
(preprocessing,
Data
Mining,
pasca
processing), preprocessing dieksekusi sebelum
teknik Data Mining yang diterapkan pada data.
Proses preprocessing meliputi data cleaning,
integrasi data, seleksi data dan transformasi
data. Proses utama KDD adalah proses Data
Mining, dalam proses ini algoritma yang
berbeda diterapkan untuk menghasilkan
pengetahuan yang tersembunyi. Setelah proses
lain
yang
disebut
pasca
processing,
mengevaluasi hasil Data Mining sesuai dengan
kebutuhan pengguna dan pengetahuan umum.
Mengenai hasil evaluasi, pengetahuan dapat
disajikan jika hasilnya memuaskan, kalau tidak
kita harus menjalankan beberapa atau semua
proses-proses lagi sampai kita mendapatkan
hasil yang memuaskan.
Dalam proses KDD, awalnya bersih dan
mengintegrasikan database dan sumber data
dapat berasal dari database yang berbeda di
mana mungkin memiliki beberapa inkonsistensi
dan redundansi. Membersihkan sumber data
dengan menghapus data atau membuat beberapa
perubahan. Setelah bersih dan integrasi
database, pilih data terkait dari sumber yang
terintegrasi dan mengubahnya menjadi format
yang siap untuk diproses.
2.1.1 Data Mining
Data Mining adalah proses yang
menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi
yang bermanfaat dan pengetahuan yang terkait
dari berbagai database besar. Istilah Data
Mining memiliki hakikat sebagai disiplin ilmu
yang
tujuan
utamanya
adalah
untuk
menemukan, menggali, atau menambang
pengetahuan dari data atau informasi yang kita
miliki (Mujib Ridwan, 2013).
2.1.2 Tahapan Data Mining
Sebagai suatu rangkaian proses, Data
Mining dapat dibagi menjadi beberapa tahap
proses yang diilustrasikan pada Gambar 1.
Tahap-tahap tersebut
bersifat interaktif,
pemakai terlibat langsung atau dengan
perantaraan knowledge base (Mujib Ridwan,
2013).
Tahap-tahap Data Mining adalah sebagai
berikut:
1. Pembersihan data (data cleaning)
Pembersihan data merupakan
proses
menghilang-kan noise dan data yang tidak
konsisten atau data tidak relevan.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru.
3. Seleksi data (data selection)
Data yang ada pada database sering kali
tidak semuanya dipakai, oleh karena itu
hanya data yang sesuai untuk dianalisis
yang akan diambil dari database.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format
yang sesuai untuk diproses dalam Data
Mining.
5. Proses mining
Merupakan suatu proses utama saat
metode diterapkan
untuk menemukan
pengetahuan berharga dan tersembunyi dari
data. Beberapa metode yang dapat
digunakan berdasarkan pengelompokan
Data Mining.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik
ke dalam
knowledge based
yang
ditemukan.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian
pengetahuan mengenai
metode yang
digunakan untuk memperoleh pengetahuan
yang diperoleh pengguna.
laporan keuangan berdasarkan keperluarn
analisis rasio dapat dilihat seperti tabel 4.2 dan
4.3.
Gambar 2.2. Tahap-Tahap Data Mining
2.1.3 Algoritma Rough Set
Algoritma Rough Set adalah sebuah teknik
matematik yang dikembangkan oleh Pawlack
pada tahun 1980. Teknik ini digunakan untuk
menangani masalah Uncertainty, Imprecision
dan Vagueness dalam aplikasi Artificial
Intelligence (AI). Ianya merupakan teknik yang
efisien untuk Knowledge Discovery in Database
(KDD) proses dan Data Mining (Nurhayati,
2014).
Secara umum, teori Rough Set telah
digunakan dalam banyak applikasi seperti
medicine, pharmacology, business, banking,
engineering design, image processing dan
decision analysis. Rough set menawarkan dua
bentuk representasi data yaitu Information
Systems (IS) dan Decision Systems (DS).
2.2 Analisis Laporan Keuangan
Menurut Lembaga Studi Manajemen
Anggaran Publik (LS-MAP, 2010) menyatakan
bahwa Menurut Ikatan Akuntan Indonesia
Analisis Laporan Keuangan adalah analisis
terhadap neraca dan perhitungan rugi laba serta
segala keterangan-keterangan yang dimuat
dalam lampiran-lampiran nya untuk mengetahui
gambaran tentang posisi keuangan dan
perkembangan
usaha
perusahaan
yang
bersangkutan.
Pengertian analisa rasio keuangan menurut
James C van Horne dalam buku Kasmir (2010,
h104) adalah indeks yang menghubungkan dua
angka akuntansi dan diperoleh dengan membagi
satu angka dengan angka lainnya. Rasio
keuangan digunakan untuk mengevaluasi
kondisi keuangan dan kinerja perusahaan.
3.
HASIL DAN PEMBAHASAN
Dalam menganalisa laporan keuangan
dapat dilakukan dengan metode Analisis Rasio,
data dikelompokkan berdasarkan rasio - rasio
yang telah ditentukan. Pengelompokan data
Setelah didapati rekapitulasi data laporan
keuangan yang akan digunakan dalam
melakukan analisis rasio, langkah selanjutnya
adalah melakukan analisis rasio yang dimulai
dari rasio Liquiditas. Rasio Liquiditas terbagi
atas 5 sub rasio yaitu rasio lancar, rasio cepat,
rasio kas, perputaran kas dan inventoi to net
working capital. Berikut ini adalah perhitungan
rasio Liquiditas :
1. PT. Indofood Sukses Makmur. Tbk
Perhitungan rasio liquiditas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.4.
Setelah dihitung menggunakan rumus rasio
liquiditas maka didapatkan hasil analisis
liquiditas, hasil lengkapnya dapat dilihat pada
tabel 4.5.
terbagi atas 4 sub rasio yaitu debt to asset rasio,
debt to equity ratio, long term debt equity rati
dan time interested earned. Berikut ini adalah
perhitungan rasio Solvabilitas :
1. PT. Indofood Sukses Makmur. Tbk
a. Debt to Asset Ratio
b.
Debt to Equity Ratio
c.
Long-Term Debt to Equity Ratio
d.
Time Interest Earned
Perhitungan rasio Solvabilitas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.6.
Pada tabel 4.5 di atas didapatan hasil
analisis rasio Liquiditas secara keseluruhan
dengan sub rasio rasio lancar (RL1), rasio cepat
(RL2), rasio kas (RL3), perputaran kas (RL4),
Inventori to Net Working Capital (RL5). Hasil
tersebut diukur oleh standar industri (STI) yang
berlaku. Semakin besar nilai rasio dari standar
industri maka kinerja rasio tersebut semakin
baik, begitu juga sebaliknya. Hasil rasio yang
berada diatas standar industri ditandai dengan
tulisan tebal.
Langkah selanjutnya adalah melakukan
analisis rasio Solvabilitas. Rasio Solvabilitas
Setelah dihitung menggunakan rumus rasio
liquiditas maka didapatkan hasil analisis ini
seperti tabel 4.7.
Perhitungan rasio Aktivitas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.8.
Pada tabel 4.7 di atas didapatan hasil
analisis rasio Liquiditas secara keseluruhan
dengan sub rasio Debt To Asset Rasio (RS1),
Debt To Equity Ratio (RS2), Long Term Debt
Equity Ratio (RS3), Time Interested Earned
(RS4). Hasil tersebut diukur oleh standar
industri (STI) yang berlaku. Semakin kecil nilai
rasio dari standar industri maka kinerja rasio
tersebut semakin baik kecuali Time Interested
Earned, begitu juga sebaliknya. Hasil rasio yang
lebih baik dari standar industri ditandai dengan
tulisan tebal.
Langkah selanjutnya adalah melakukan
analisis rasio Aktivitas. Rasio Aktivitas terbagi
atas 5 sub rasio yaitu perputaran piutang,
perputaran persediaan, perputaran modal kerja,
fixed asset turn over dan perputaran total aktiva.
Berikut ini adalah perhitungan rasio Aktivitas :
1. PT. Indofood Sukses Makmur. Tbk
Setelah dihitung menggunakan rumus
rasio Aktivitas maka didapatkan hasil analisis
ini seperti tabel 4.9.
Pada tabel 4.9 di atas didapakan hasil
analisis rasio Aktifitas secara keseluruhan
dengan sub rasio yaitu perputaran piutang
(RA1), perputaran persediaan (RA2), perputaran
modal kerja (RA3), fixed asset turn over (RA4)
dan perputaran total aktiva (RA5). Hasil
tersebut diukur oleh standar industri (STI) yang
berlaku. Semakin besar nilai rasio dari standar
industri maka kinerja rasio tersebut semakin bai.
Hasil rasio yang lebih baik dari standar industri
ditandai dengan tulisan tebal.
Langkah terakhir adalah melakukan
analisis rasio Profitabilitas. Rasio Profitabilitas
terbagi atas 3 sub rasio yaitu net profit margin,
return of invesment dan return of equity. Berikut
ini adalah perhitungan rasio Profitabilitas :
1. PT. Indofood Sukses Makmur. Tbk
Perhitungan rasio Profitabilitas seluruh
perusahaan secara lengkap dapat dilihat pada
tabel 4.10.
Setelah dihitung menggunakan rumus
rasio Profitabilitas maka didapatkan hasil
analisis ini seperti tabel 4.11.
Pada tabel 4.11 di atas didapatan hasil
analisis rasio Profitabilitas secara keseluruhan
dengan sub rasio yaitu Net Profit Margin (RP1),
Return Of Invesment (RP2), Return Of Equity
(RP3). Hasil tersebut diukur oleh standar
industri (STI) yang berlaku. Semakin besar nilai
rasio dari standar industri maka kinerja rasio
tersebut semakin bai. Hasil rasio yang lebih baik
dari standar industri ditandai dengan tulisan
tebal.
Analisa Hasil Analisis Rasio
Berdasarkan hasil analisis rasio di atas,
kemudian data tersebut dikelompokkan agar
dapat dilakukan analisa dengan metode Rough
Set.
Analisa
dilakukan
dengan
cara
menjumlahkan hasil sub rasio berdasarkan
kelompok rasio yang bernilai lebih baik dari
standar industri. Dari penjumlahan tersebut
didapati jumlah sub rasio yang nilainya lebih
baik dari standar industri. Dan memasukkan
atribut hasil untuk penggunaan algoritma Rough
Set yaitu laba/rugi perusahaan seperti tabel 4.12.
berdasarkan atributnya. Berukut adalah
tabel Decission System dari hasil
analisis rasio laporan keuangan
perusahaan pada triwulan III.
Setelah didapatkan data jumlah rasio
yang berada di atas standar industri, maka tahap
selanjutnya adalah mengidentifikasi apakah
rasio perusahaan tersebut baik atau tidak baik.
Rasio Liquiditas dinyatakan baik apabila jumlah
rasio yang berada di atas standar industri yaitu
di atas 3 buah, rasio Solvabilitas dinyatakan
baik apabila jumlah rasio yang berada di atas
standar industri di atas yaitu 2 buah, rasio
Aktivias dinyatakan baik apabila jumlah rasio
yang berada di atas standar industri yaitu di atas
1 buah, rasio Profitabilitas dinyatakan baik
apabila jumlah rasio yang berada di atas standar
industri yaitu di atas 0 buah. Hasil pernyataan
baik atau buruk tersebut digunakan sebagai
input dalam analisa berikutnya dengan
menggunakan Rough Set seperti pada tabel 4.13
berikut ini :
Analisa Metode Rough Set
Setelah didapatkan hasil dari analisis
rasio, maka tahap selanjutnya adalah
menganalisa data tersebut dengan menggunkan
metode Rought Set. Adapun metode Rought Set
terdiri dari beberapa tahapan yaitu :
1. Decission System
Decission
System
merupakan
Information System yang telah
memiliki
keputusan
atau
hasil
berdasarkan asumsi yang telah
memenuhi syarat dan ketentuan
Tabel 4.15 memperlihatkan sebuah
Decission System yang sederhana, yang terdiri
dati n objel, E1, E2, E3, E4, E5, E6, E7, E8, E9,
E10.
2. Equivalence Class
Equivalence
Class
adalah
pengelompokan objek-objek yang
sama seperti yang digambarkan pada
tabel 4.16
3. Discernibility Matrix atau Discernibility Matrix Modulo D
Setelah dilakukan klasifikasi dengan
Equivalence
Class.
Langkah
selanjutnya untuk menganalisa data
tersebut adalah dengan salah satu
proses antara Discernibility Matrix
atau Discernibility Matrix Modulo D.
Untuk menghitung
Discernibility
Matrix atau
Discernibility Matrix
Modulo D kita menggunakan tabel
acuan Discernibility Matrix atau
Discernibility Matrix Modulo D seperti
yang terlihat pada tabel 4.17, untuk
melihat
bagaimana
cara
mengklasifikasi
data
dengan
menggunakan Discernibility Matrix
dapat dilihat pada tabel 4.19 dan 4.20.
Dikarenakan
EC2
dan
EC3
menghasilkan keputusan yang berbeda maka
dilakukan
Data
Cleaning
untuk
menyederhanakannya sperti pada tabel 4.18 :
Setelah mendapati
tabel acuan
Discernibility Matrix atau Discernibility Matrix
Modulo D maka langkah selanjutnya adalah
mencari nilai dari Discernibility Matrix seperti
yang terdapat pada tabel 4.19 :
Tabel 4.19 Discernibility Matrix
EC1
EC2
EC3
EC4
EC1
A
B
BD
EC2
A
AB
ABD
EC3
B
AB
D
EC4
BD
ABD
D
Selain itu juga dapat menggunakan
Discernibility Matrix Modulo D. Discernibility
Matrix Modulo D ini merupakan sekumpulan
atribut yang berbeda antara objek ke-i dan objek
ke-j beserta dengan atribut hasilnya seperti
terlihat pada tabel 4.20 :
Tabel 4.20 Discernibility Matrix
Modulo D
EC1
EC1
EC2
EC3
EC4
EC2
A
A
EC3
EC4
AB
ABD
AB
ABD
Adapun
penulis
menggunakan
Discernibility Matrix Modulo D sebagai acuan
untuk penelitian ini.
4. Reduction
Berikut ini adalah Reduction dari Data
Mining “Analisa Laporan Keuangan” :
EC1
=A
EC 2
= A ^ (A v B) ^ (A v B v D)
= A ^ (AA + AB + AD v BA +
BB +BD
= A ^ (AA + AD v BB + BD)
= A ^ (A + AD v B + BD)
= A ^ (A(1+D) V B(1+D))
= A ^ (A v B)
= AA + AB
= A(1+B)
=A
EC3
= (A v B)
= {A}, {B}
EC4
= (A v B v D)
= {A}, {B}, {D}
5. Generate Rules
Setelah
didapatkan
hasil
dari
Reduction, maka langkah terakhir
untuk menentukan General Rules nya.
Adapun General Rules dari hasil
Reduction yang dideskripsikan pada
tabel penyeleksian analisis rasio adalah
sebagai berikut :
1. Berdasarkan nilai Reduct {A}
If Rasio Liquiditas Baik then
laba/rugi = laba
If Rasio Liquiditas Tidak Baik
then laba/rugi = rugi
2. Berdasarkan nilai Reduct {B}
If Rasio Solvabilitas Baik then
laba/rugi = laba
If Rasio Solvabilitas Tidak Baik
then laba/rugi = laba or laba/rugi =
rugi
3. Berdasarkan nilai Reduct {D}
If Rasio Profitabilitas Baik then
laba/rugi = laba
If Rasio Profitabilitas Tidak Baik
then laba/rugi = laba or laba/rugi =
rugi
Jadi jumlah General Rules keseluruhan
adalah 6 keputusan atau pengetahuan yang baru.
Setelah didapat General Rules berarti selesai
proses dari pengolahan Data Mining untuk
mengetahui pengetahuan yang terdapat pada
hasil analisis rasio perusahaan yang terdaftar di
Bursa Efek Indonesia.
Dari General Rules yang diperoleh
dapat disimpulkan apabila nilai rasio terdapat
dalam kondisi baik maka perusahaan tersebut
memperoleh laba, sedangkan perusahaan yang
merugi tidak memiliki rasio yang berada dalam
kondisi baik.
4. KESIMPULAN
Kesimpulan
Dalam penulisan tesis ini dapat
disimpulkan beberapa hal yang diperlukan
untuk
menganalisis
laporan
keuangan
perusahaan dibidang makanan yang terdaftar di
Bursa Efek Indonesia pada triwulan III tahun
2015. Peneliti menggunakan metode analisis
rasio dalam mengolah laporan keuangan
tersebut, kemudian menggunakan algoritma
Rough Set untuk mengolah kembali hasil
analisis rasio. Dalam penelitian tersebut,
peneliti menarik kesimpulan sebagai berikut:
1.
Analisa
laporan
keuangan
menggunakan metode analisis rasio dilakukan untk menganaisa laporan keuagan triwulan III tahun 2015, laporan tersebut
akan menghasilkan rasio keuangan.
2.
Hasil dari rasio keuangan perusahaan yang didapatkan menggunakan
analisis rasio dilakukan pengolahan kembali menggunakan Rough Set, dari pengolahan data menggunakan Rough Set didapatkan pengetahuan tersembunyi yang dapat digunakan investor sebagai salah satu
bahan pertimbangan untuk membeli saham.
Saran
Setelah penulis menyelesaikan tahap akhir
dari penelitian ini, penulis menyadari masih
banyak kekurangan-kekurangan yang mesti
diperbaiki dan dipenuhi, antara lain :
1.
Penelitian ini masih
jauh dari sempurna dan hanya di
implementasikan pada laporan keuangan
yang diterbitkan Bursa Efek Indonesia
pada periode triwulan III tahun 2015. Pada
suatu saat nanti penelitian ini mungkin bisa
dikembangkan lagi menjadi penelitian
yang lebih kompleks.
2.
Penelitian ini merupakan penelitian yang masih jarang dilakukan, karena melibatkan dua metode dari
disiplin ilmu yang berbeda.
3.
Penulis mengharapkan agar hasil dari penelitian ini dapat
menjadi pembuka jalan bagi peneliti lain
yang ingin menerapkan metode dari dua
atau lebih disiplin ilmu yang berbeda dalam melakukan sebuah penelitian.
4.
Penulis
mengharapkan agar hasil dari penelitian ini
dapat
bermanfaat bagi penulis dan
khususnya bagi investor yang akan melakukan pembelian saham.
DAFTAR REFERENSI
Babalola, 2013, Financial Ratio Analysis of
Firms: A Tool for Decision Making
Bhattacharya, 2014, Watermarking Digital
Image Using Fuzzy Matrix Compositions
and Rough Set
Jnanamurthi, 2013, Discovery of Maximal
Frequent Item Sets using Subset Creation
Listiana, 2012, Accurate Topological Measures
for Rough Sets
Kashmir, 2010, Analisis Laporan Keuangan,
Cetakan Ke-3, PT. Rajagrafindo Persada,
Jakarta.
Mujib Ridwan, 2013, Penerapan Data Mining
Untuk
Evaluasi
Kinerja
Akademik
Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier
Noor Akhmad, 2012, Seleksi Aturan
Menggunakan Rough Set Theory Untuk
Diagnosis Gangguan Transformator Daya
Berbasis Dissolved Gas Analysis (DGA)
Nurhayati, 2011, Metode Rought Set Untuk
Melihat Perilaku Suami yang Mnjadi
Aseptor KB Vasetonomi
Ratih Puspita Sari, 2011, Analisis Rasio
Likuiditas, Rasio Solvabilitas Dan Rasio
Profitabilitas Untuk Mengukur Kinerja
Keuangan Pada PT. KUD Kopta Unit
Tambang Di Samarinda
Widasari, 2010, Analisis Rasio Likuiditas, Rasio
Solvabilitas Dan Rasio Profitabilitas Untuk
Mengukur Kinerja Keuangan Pada PT. KUD
Kopta Unit Tambang Di Samarinda