BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI

2.1

Jaringan Syaraf Tiruan Jaringan syaraf tiruan bekerja terinspirasi oleh sistem jaringan syaraf biologis manusia. Jaringan tersebut terdiri atas beberapa elemen yang bekerja secara pararel. Fungsi jaringan sangat tergantung pada hubungan antar elemen-elemen. Jaringan dapat dilatih untuk menampilkan fungsi tertentu dengan memasukkan nilai (bobot) pada setiap koneksi diantara elemen-elemen. Biasanya jaringan syaraf diatur atau dilatih agar input yang diberikan menghasilkan output yang sesuai target. Jaringan syaraf akan terus diatur atau dilatih sampai output sesuai dengan target. Beberapa algoritma Jaringan Saraf Tiruan antara lain : a. Algoritma Kohonen b. Algoritma Fractal c. Algoritma Learning Vektor Quantization d. Algoritma Cyclic e. Algoritma Alternating Projection f. Algoritma Hammimg g. Algoritma Feedforwad Banyak Lapis. (Siahaan, 2011)

JST dapat menyimpan pengetahuan pola kejadian di masa lampau melalui proses pelatihan yang kemudian pengetahuan tersebut digunakan untuk memprakirakan kejadian yang akan terjadi dimasa akan datang. Tiga hal yang sangat menentukan keandalan sebuah JST adalah pola rangkaian neuron-neuron dalam jaringan yang disebut dengan arsitektur jaringan, algoritma untuk menentukan bobot penghubung yang disebut dengan algoritma pelatihan, dan persamaan fungsi untuk mengolah masukan yang akan diterima oleh neuron yang disebut dengan fungsi aktivasi (Yeni, 2011). Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologis : 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuronneuron).

Universitas Sumatera Utara

8

2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi. 4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinier. JST ditentukan oleh 3 hal : a. Pola hubungan antar neuron (yang menjadi arsitekturnya). b. Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan, pembelajaran, atau Algoritma ). c. Fungsi aktivasi. (Siang, 2005)

2.1.1

Arsitektur Jaringan Syaraf Tiruan Seperti otak manusia, jaringan syaraf juga terdiri dari neuron-neuron yang saling berhubungan. Neuron-neuron tersebut mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju neuron-neuron yang lain (disebut dengan bobot). Informasi (disebut dengan input) akan diproses oleh suatu fungsi yang akan menjumlahkan semua bobot yang datang. Hasil penjumlahan bobot ini kemudian akan dibandingkan dengan ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Jika nilai bobot lebih besar dari nilai threshold, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya. X1 w1

X2

w2

Ʃ

a

F

y

w3 b

XN

Gambar 2.1 Model Neuron Jaringan Syaraf Tiruan

Keterangan gambar 2.1: X1, X2, …, XN

= Input


9

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

W11

Y1

Wm1 Wj1

W1i Wji

Xi

Yj

Wmi

W1n Xn

Wjn Wmn

Ym

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.


10

b. Jaringan Lapis Jamak (Multi Layer Network) Y1

X1 W11 V11 Z1

Vp1

Wj1 Wm1 W1i

Y1j

Xi Wjp Wpi

W1p Zp Wmp

V1n

Xn

Vpn

Ym

Gambar 2.3 Jaringan Lapis Jamak

Pada jaringan lapis jamak, selain neuron input dan output, ada unit-unit lain (biasa disebut lapis tersembunyi). Dapat terdapat beberapa lapis tersembunyi pada satu arsitektur jaringan. Namun, unit-unit dalam satu lapis tidak saling berhubungan. Pada gambar 2.3 , konstanta X merupakan neuron input, konstanta Y merupakan neuron output, dan konstanta Z merupakan lapis tersembunyi.

c. Jaringan Reccurent Jaringan ini mirip dengan jaringan lapis tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop) (Siang, 2005).

2.1.2 Fungsi Aktivasi Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: a.

Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun fungsi ini juga digunakan oleh jaringan syaraf yang nilai output-nya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai: ( )

………………… (1)


11

dengan : ( ) b.

( )[

( )]

…………(2)

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


12

tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola.Contoh metode pembelajaran tak terawasi adalah jaringan kohonen (kohonen network) (Yeni, 2011) .

Learning Vektor Quantization (LVQ)

2.2

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

1.

b.

Maksimum epoch : MaxEpoh

c.

Parameter learning rate, 

d.

Pengukuran learning rate, Dec

e.

Minimal learning rate yang diperbolehkan : Min

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;

b.

Kerjakan untuk i = 1 sampai n


13

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). Bobotbobot ini nantinya akan digunakan untuk untuk pengujian terhadap datadata. 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) .


14

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. 4. Tahap Impelementasi ( Implementation Phace )



16

i : Alternatif j : Kriteria n : Banyaknya kriteria * : Banyaknya kriteria yang telah dinilai pada vektor S

2.3.3 Algoritma 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 :

X=

X11

…

X1n

…

...

…

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. C1

C2

………

Cn

A1

X11

X21

………

X1n

A2

X12

X22

………

X2n

…

…

…

………

…

Am

X1m

X2m

………

Xnm

Kriteria Alternatif

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.


17

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.

2.5

Saham


18

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. Capital Gain 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.


19

Resiko Dalam Berinvestasi

2.5.2

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. Earning After Tax

………. (5)


20

Number Of Share 2.

Price Earnings Ratio (PER). Rasio yang mengukur perbandingan harga penutupan saham dengan pendapatan pendapatan per saham. .……… (6)

Reg. Closing Price Earning Per Share 3.

Price/Book Value (PBV). Rasio yang mengukur perbandingan harga penutupan saham dengan nilai buku saham. ………. (7)

Reg. Closing Price Book Value Per Share 4.

Debt To Equity Ratio (DER) . rasio yang mengukur tingkat penggunaan hutang terhadap total kepemilikan saham. ……… (8)

Leverage Owner‟s Equity 5.

Return Of

Investment (ROI). Rasio yang mengukur perbandingan

pendapatan bersih dengan jumlah harta perbandingan pendapatan bersih dengan jumlah harta ……… (9)

Net Income Total Asset 6.

Return Of Equity (ROE). Rasio yang mengukur perbandingan pendapatan bersih dengan jumlah modal. ……… (10)

Net Income Equity

7. Profit Margin (PM). Rasio yang mengukur perbandingan pendapatan usaha dengan penjualan. ……… (11)

Income 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 : Y = Perubahan Harga Saham


21

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.


22

Gambar 2.5. Financial Report Perusahaan Gudang Garam Tbk.

Gambar 2.6. Share Price Information Perusahaan Gudang Garam Tbk.


23

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

4. Book Value Per Share (Nilai Buku Lembar Saham)

: 8,770


24

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

C4

: Jangka Investasi

(Ratio Liabilitas/Utang dengan Ekuitas)

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).


BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

Recommend Documents