BAB 2 LANDASAN TEORI
2.1. Data Mining 2.1.1. Pengertian Data Mining Menurut Han, Jiawei (2011, p36), data mining adalah proses menemukan pola yang menarik, dan pengetahuan dari data yang berjumlah besar. Sedangkan menurut Dunston dan Yager (2008, p188), data mining adalah proses pencarian melalui data dengan jumlah yang besar, dalam sebuah usaha untuk menemukan pola, tren, dan hubungan. Menurut Keating dan Berry (2008), data mining adalah sebuah cara untuk mendapatkan kecerdasan pasar dari data dengan jumlah yang besar. Sedangkan menurut Liu, Sandra S. dan Chen, Jie (2009), data mining adalah proses pencarian pola tersembunyi dari berbagai database. Berdasarkan beberapa pengertian di atas, dapat disimpulkan bahwa data mining adalah suatu proses analisis untuk menggali informasi yang tersembunyi dengan menggunakan statistik dan artificial intelligence di dalam suatu database dengan ukuran sangat besar, sehingga ditemukan suatu pola dari data yang sebelumnya tidak diketahui, dan pola tersebut direpresentasikan dengan grafik komputer agar mudah dimengerti. 2.1.2. Tahap Penemuan Knowledge pada Data Mining (KDD) Data mining adalah sebuah langkah dalam proses mencari pola-pola yang terdapat dalam setiap informasi. Langkah-langkah tersebut akan dijelaskan pada gambar 2.1 (Han, 2011, p6).
7
8
Gambar 2.1 Tahap penemuan Knowledge pada Data Mining (KDD) Han, Jiawei (2011, p7) Gambar 2.1 menggambarkan proses KDD dalam menghasilkan knowledge dan terdiri dari beberapa tahap: a) Data Cleaning Untuk menghapus data yang tidak dipakai dan data yang tidak konsisten. b) Data Integration Berbagai sumber data dapat digabungkan. c) Data Selection Data yang bersangkutan pada tugas analisis diseleksi dan diambil kembali. dari database. d) Data Transformation Data diubah atau diperkuat menjadi bentuk yang seharusnya untuk diolah dengan menganalisis ringkasan atau jumlah total agregasi.
9
e) Data Mining Sebuah proses penting di mana metode intelijen diterapkan dengan tujuan untuk megolah pola-pola data. f) Pattern Evaluation Untuk mengidentifikasi pola-pola menarik yang menjelaskan mengenai ukuran dasar pengetahuan yang ada. g) Knowledge Presentation Visualisasi
dan
teknik
representasi
knowledge
digunakan
untuk
menyajikan knowledge yang telah diolah untuk pengguna. 2.1.3. Metode-Metode Data Mining 2.1.3.1. Mining Frequent Patterns, Association, Correlations Frequent pattern adalah pola yang sering muncul dalam kumpulan data. Misalnya, satu set item seperti susu dan roti yang sering muncul bersama-sama dalam satu set data transaksi adalah frequent itemset. Sebuah subsequence, seperti membeli pertama kali sebuah PC, lalu kamera digital, dan kemudian memory card. Jika sequence tersebut sering terjadi dalam history pada database belanja, maka pola tersebut adalah frequent pattern. Menemukan frequent pattern adalah peranan penting dalam mining association, correlation, dan hubungan menarik lainnya antara data. Selain itu, membantu dalam classification data, clustering, dan lainnya. Frequent itemset mining kemungkinan untuk menemukan asosiasi dan korelasi dari banyak item dari banyaknya transaksi. Dengan banyaknya data yang terkumpul, banyak industri yang mulai tertarik pada pola mining tersebut dari database mereka. Penemuan hubungan korelasi yang menarik antara jumlah besar, catatan transaksi bisnis, dapat membantu bisnis seperti dalam proses pengambilan keputusan untuk desain katalog, lintas pemasaran, dan analisis tingkah laku pelanggan. Assosciation rule mining yang biasanya disebut juga market basket analysis adalah teknik mining untuk menemukan aturan asosisatif antara suatu kombinasi item. Contoh aturan asosisatif dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar
10
kemungkinan seorang pelanggan membelli roti bersamaan dengan susu. Dengan pengetahuan tersebut, pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua parameter, support yaitu presentase kombinasi item tersebut dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan asosisatif. 2.1.3.2. Classification Menurut Han, Jiawei (p327), classification adalah satu bentuk analisis data yang menghasilkan model untuk mendeskripsikan kelas data yang penting. Classification memprediksi kategori (discrete, unordered) ke dalam label class. Classification merupakan proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau class data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa if-then-rules, decision tree, formula matematis atau neural network. Sebagai contoh, kita dapat membangun model klasifikasi untuk mengkategorikan aplikasi pinjaman bank, aman atau berisik. Analisa tersebut dapat membantu memberikan pemahaman yang lebih baik dari data pada umumnya. Classification memiliki berbagai aplikasi yaitu, deteksi penipuan, pemasaran target, prediksi kinerja, manufaktur, dan diagnosa medis. 2.1.3.2.1. Decision Tree Decision tree adalah salah satu metode classification yang paling populer karena mudah untuk diinterpretasi oleh manusia. Decision tree menggunakan model seperti struktur pohon. Menurut Austin, Peter C.; Tu, Jack V.; Ho, Jennifer E.; Levy, Daniel; Lee, Douglas S dalam data mining dan machine learning fields, peningkatan untuk classical classfication trees yang telah dikembangkan. Banyak
metode yang melibatkan
11
aggreagting
classification
melalui
sebuah
rangkaian
classification trees. Pembangunan
decision
tree
tidak
memerlukan
pengaturan domain knowledge atau parameter, karena itu cocok untuk eksplorasi penemuan pengetahuan. Decision tree dapat menangani data multidimensi. Perwakilan dari pengetahuan yang diperoleh dalam bentuk pohon memudahkan untuk dipelajari dan dipahami. Decision tree memiliki akurasi yang baik. Namun, keberhasilan penggunaannya tergantung pada data yang ada. Aplikasi klasifikasi decision tree telah digunakan dalam banyak area, seperti kedokteran, manufaktur dan produksi,
analisis
keuangan, astronomi, dan biologi molekuler. Untuk menetukan proses pembangunan decision tree, diperlukan adanya atribute selection measure, yaitu suatu metode untuk memilih kriteria pemisahan yang terbaik yang memisahkan partisi data yang diberikan, kelas-label ke dalam class individu. Atribute selection measure memberikan peringkat untuk setiap atribut. Jika atribut yang terpisah adalah continues-valued atau jika kita dibatasi ke dalam binary trees, maka subset yang membelah juga harus ditentukan sebagai bagian dari kriteria pemisahan. Node pohon diciptakan untuk partisi yang dilabeli dengan kriteria pembagian, cabang yang tumbuh untuk setiap hasil dari kinerja. Tiga selection measures attribute yang populer adalah information gain, gain ratio, dan gain index. 2.1.3.2.2. Naive Bayes Naive bayes didasarkan pada teorema bayes probabilitas posterior.
Ini
mengasumsikan
bahwa
kelas-kemerdekaan-
kondisional efek dari nilai atribut pada kelas tertentu tidak tergantung pada nilai dari atribut lainnya. Naive bayesian classifier, atau classifier bayesian sederhana, bekerja sebagai berikut:
12
a) Misalkan D pelatihan set tuple dan label class yang terkait. Seperti biasa, setiap tuple diwakili oleh atribut vektor, X = (x₁ , x₂ , ...., xn) menggambarkan n pengukuran yang dilakukan pada tuple dari n atribut, masing-masing, A₁ , A₂ , ... , An P(Ci X) > P(Cj X) for 1 ≤ j ≤ m, j ≠ i,
P(Ci|X) = b)
Misalkan ada kelas m, C₁ , C₂ , ... , Cm. Mengingat tuple, X, classifier akan memprediksi bahwa X milik class memiliki probabilitas posterior tertinggi, dikondisikan pada X. Artinya, naive bayesian classifier memprediksi bahwa tuple X milik class Cᵢ jika dan hanya jika
c)
P(X) adalah konstan untuk semua kelas, hanya P = P(X|C )P(C ) perlu dimaksimalkan. Jika probabilitas sebelum class tidak diketahui, maka umumnya diasumsikan bahwa class yang sama mungkin, yaitu, P (C1) = P (C2) =…=
P
(Cm),
dan
dengan
demikian
kami
akan
memaksimalkan P (X|C ). Jika tidak, kita memaksimalkan P(X|C )P(C ). Perhatikan bahwa probabilitas sebelum class dapat dihitung dengan P(C ) = |C |C
|/|D|, dimana
| adalah jumlah tuple pelatihan class Cᵢ di D.
d) Mengingat data set dengan banyak atribut, akan sangat komputasi mahal untuk menghitung P(X|C ). Untuk mengurangi perhitungan dalam mengevaluasi P(X|C ) naive asumsi independensi kelas kondisional yang dibuat. Hal ini mengandaikan bahwa nilai-nilai atribut yang kondisional independen satu sama lain, mengingat label class
tuple
(yaitu,
bahwa
tidak
ada
hubungan
ketergantungan antara atribut). Dengan demikian, (Rumus)
13
= P(x₁|Cⁱ) x P (x₂|Ci) x P(x₂|Ci) x ... x P(Xn|Ci) Kita dapat dengan mudah memperkirakan probabilitas P(x₁|C₁),P(x₂|C ),...,P(Xn|C₁) dari tuple pelatihan. Ingat bahwa di sini xk mengacu pada nilai atribut Ak untuk tuple X. Untuk setiap atribut, kita melihat apakah atribut kategori atau
kontinu-dihargai.
Misalnya,
untuk
menghitung
P(X|C ), kita pertimbangkan hal-hal berikut: a) Untuk memprediksi class label dari X,P(X│C )P(C ) dievaluasi
untuk
setiap
class
Cᵢ
.Classifier
(penggolong) memprediksikan bahwa class label dari tuple X adalah class Cᵢ dan hanya berlaku jika P(X│C )P(C ) > P(X│Cj)P(Cj)
for 1 < j < m,j ≠i.
Dengan kata lain, class label yang diprediksikan adalah class
Cᵢ
yang
nilai
maksimumnya
adalah
P(X│C )P(C ). b) Berbagai penelitian empiris dari classifier (penggolong) ini dibandingkan kepada decision
tree dan neural
network classifiers telah menemukan bahwa itu dapat dibandingkan dalam beberapa domain. Dalam teori, bayesian
classifiers
memiliki
tingkat
kesalahan
minimum dalam perbandingan pada classifiers lainnya. Bagaimanapun juga, pada kenyataannya hal ini tidak selalu menjadi kasus, karena ketidakakuratan dalam asumsi yang dibuat untuk fungsinya, seperti classconditional independence, dan kurangnya kemungkinan data (probability data) yang tersedia
14
c) Bayesian classifiers juga berguna karena mereka menyediakan pembenaran teoritis untuk classifiers lain yang tidak menggunakan teori Bayes secara eksplisit. Sebagai contoh, berdasarkan asumsi tertentu, dapat dilihat bahwa banyak neural network dan curve-fitting algoritma menghasilkan posteriori hipotesis maksimal, seperti halnya naive bayesian classifier. 2.1.3.3. Clustering Clustering adalah proses pengelompokan kumpulan data menjadi beberapa kelompok sehingga objek di dalam satu kelompok memiliki banyak kesamaan dan memiliki banyak perbedaan dengan objek di kelompok lain. Perbedaan dan persamaannya biasanya berdaasarkan nilai atribut dari objek tersebut dan dapat juga berupa perhitungan jarak. Clustering sendiri juga disebut unsupervised classification, karena clustering lebih bersifat untuk dipelajarai dengan diperhatikan. Cluster analysis merupakan proses partisi satu set objek data ke dalam himpunan bagian. Setiap himpunan bagian adalah cluster, sehingga objek yang ada di dalam cluster mirip satu sama dengan lainnya, dan mempunyai perbedaan dengan objek dari cluster yang lain. Partisi tidak dilakukan dengan manual algoritma clustering. Oleh karena itu, clustering sangat berguna dan bisa menemukan grup yang tidak dikenal dalam data. Cluster analysis banyak digunakan dalam berbagai aplikasi seperti Business Intelligence, Image Pattern Recognition, Web Search, Biology, dan Security. Di dalam business intelligence, clustering bisa mengatur banyak customer ke dalam banyak grup. Contohnya pengelompokan customer ke dalam beberapa cluster dengan persamaan karakteristik yang kuat. Clustering juga dikenal sebagai data segmentation, karena clustering mempartisi banyak data set ke dalam banyak grup berdasarkan persamaannya. Clustering juga bisa sebagai outlier detection, di mana outlier bisa menjadi menarik daripada kasus yang biasa. Aplikasinya adalah Outlier Detection, untuk mendeteksi card fraud dan memonitori aktivitas
15
kriminal dalam e-commerce. Contohnya adalah pengecualian dalam transaksi kartu kredit. 2.1.3.3.1. Konsep Dasar Clustering Proses clustering akan menghasilkan cluster yang baik apabila: a) Tingkat kesamaan yang tinggi dalam satu kelas. b) Tingkat kesamaan yang rendah antar kelas. Kesamaan yang dimaksud merupakan pengukuran secara numerik terhadap dua buah objek. Nilai kesamaan ini akan semakin tinggi apabila memiliki kemiripan yang tinggi. Perbedaan kualitas hasil clustering tergantung pada metode yang dipakai. Tipe data pada clustering: a) Variabel berskala interval. b) Variabel biner. c) Variabel nominal, ordinal, dan rasio. d) Variabel dengan tipe lainnya. Meotde
clustering
juga
harus
dapat
mengukur
kemampuannya dalam usaha untuk menemukan suatu pola tersembunyi pada data yang tersedia. Dalam mengukur nilai kesamaan ini, ada beberapa metode yang dapat dipakai. Salah satu metodenya adalah Weighted Euclidean Distance. Dalam meotde ini, dua buah poin dapat dihitung jaraknya bila diketahui nilai dari masing-masing atribut pada kedua poin tersebut, berikut rumusnya:
Keterangan : N = Jumlah record data
16
K = Urutan field data r=2 k = Bobot field yang diberikan user 2.1.3.3.2. Persyaratan untuk Clustering Syarat untuk melakukan analisa clustering: a) Scalability Mampu menangani data dalam jumlah yang besar. Karena database yang besar berisi lebih dari jutaan objek, bukan hanya ratusan objek. Maka dari itu diperlukan algoritma dengan clustering yang scalable. b) Ability to deal with different types of attributes Banyak algoritma clustering yang hanya dibuat untuk menganalisa data bersifat numerik. Namun sekarang ini, aplikasi data mining harus dapat menangani berbagai macam bentuk data seperti biner, data nominal, data ordinal, ataupun campuran. c) Discovery of clusters with arbitrary shape Banyak algoritma clustering yang menggunakan euclidean atau manhattan. Namun, hasil dari metode tersebut bukan hanya berbentuk bulat seperti pada contoh. Hasil dapat berbentuk aneh dan tidak sama antara satu dengan yang lain. Maka dari itu diperlukan kemampuan untuk menganalisa cluster dengan bentuk apapun. d) Requirements for domain knowledge to determain input parameters Banyak algoritma clustering yang mengharuskan pengguna untuk memasukan parameter tertentu, seperti jumlah cluster. Hasil clustering bergantung pada parameter yang ditentukan. Terkadang parameter sulit untuk menentukan, terutama pada data yang memiliki dimensi tinggi. Hal ini
17
menyulitkan pengguna serta kualitas clustering yang yang dicapaipun tidak terkontrol. e) Ablity to deal with noisy data Pada kenyataannya, data pasti ada yang rusak, error, tidak dimengerti, ataupun menghilang. Beberapa algoritma clustering sangat sensitif terhadap data yang rusak, sehingga menyebabkan cluster dengan kualitas yang rendah. Maka dari itu, diperlukan clustering yang mampu menagani data yang rusak. f) Incremental clustering and insensitivity to input order Data yang dimasukan dapat menyebabkan cluster menjadi berubah total. Hal ini dapat terjadi karena tidak sensitifnya algoritma clustering yang dipakai. Maka dari itu diperlukan algoritma yang tidak senssitif terhadap urutan input data. g) Capability of clustering high-dimentionallity data Sebuah kelompok data dapat berisi banyak dimensi ataupun atribut. Kebanyakan algoritma clustering hanya mampu menangani kelompok data dengan dimensi sedikit. Maka dari itu, diperlukan algoritma clustering yang mampu menangani data dengan dimensi yang berjumlah banyak. h) Constraint based clustering Pada kenyataannya, membuat clustering tentu saja memiliki beberapa pembatas ataupun syarat tertentu. Hal ini menajadi
tugas
yang
menantang,
karena
diperlukan
kemampuan yang tinggi untuk mengelompokan data, dengan kendala dan perilaku tertentu. i) Interpretability and usability Pengguna tentu saja menginginkan hasil clustering mudah ditafsirkan, dimengerti, dan bermanfaat. Hal ini berarti clustering perlu ditandai dengan beberapa syarat, sesuai
18
kemauan user, dan tentu saja hal itu memengaruhi pemilihan metode clustering yang akan digunakan. 2.1.3.3.3. Tipe Clustering Berikut ini merupakan tipe clustering yang umum digunakan, antara lain: a) Partitional Clustering Metode yang paling sederhana dan paling mendasar dari analisis partisi cluster, yang mengatur objek dari suatu himpunan ke dalam beberapa kelompok eksklusif atau cluster. Intinya adalah memisahkan data per kelompok dengan kelompok lainnya. Metode
yang
paling
sering
digunakan
dalam
partitional clustering adalah metode K-Means. Algoritma KMeans mendefinisikan centroid dari cluster menjadi rata-rata point dari cluster tersebut. Ini hasil dari langkah-langkah dalam melakukan metode
K-Means. Langkah-langkah melakukan
metode K-Means: a) Tentukan jumlah cluster yang akan dibuat. b) Masukan elemen yang akan di-cluster secara acak ke masing-masing cluster. c) Hitung centroid (titik tengah) pada setiap cluster. d) Ukur jarak antara satu titik ke titik tengah pada masingmasing cluster. e) Masukan titik ke centroid terdekat. f) Ulangi sampai cluster benar-benar tersusun dengan baik. b) Hierarchical Clustering Pengelompokan
data
berdasarkan
hierarkinya.
Langkah-langkah melakukan hierarchical clustering: a) Identifikasi item dengan jarak terdekat. b) Gabungkan item itu ke dalam satu cluster. c) Hitung jarak antar cluster.
19
d) Ulangi dari awal, sampai semua terhubung. c) Density-Based Metode partitioning dan hierarchical adalah dirancang untuk menemukan spherical-shaped cluster. Metode tersebut memiliki kesulitan untuk menemukan cluster berbentuk sembarang seperti bentuk “S” dan cluster ouval. Untuk hal tersebut dengan menggunakan metode di atas, kemungkinan besar tidak akurat, di mana kebisingan atau outlier termasuk dalam
cluster.
Untuk
menemukan
cluster
berbentuk
sembarang, sebagai alternatif, kita dapat memodelkan cluster ke dalam beberapa bagian dalam data space, yang dipisahkan dari bagian yang jarang. Ini adalah strategi utama di balik kepadatan metode berbasis clustering, yang dapat menemukan cluster berebentuk nonspherical. d) Grid-Based Metode clustering yang dibahas sejauh ini adalah metode yang mempartisi set dari objek dengan distribusi objek di embedding space. Pendekatan clustering Grid-Based menggunakan grid multiresolusi struktur data. Ini membagi objek space ke dalam jumlah yang terbatas dari struktur grid, di mana operasi untuk clustering dilakukan. Keuntungan dari pendekatan ini adalah waktu proses yang cepat, yang biasanya tergantung dari jumlah objek data, namun tergantung pada jumlah sel dalam setiap dimensi, dalam quantized space. 2.1.3.3.4. Penggunaan Metode Clustering Clustering banyak digunakan pada berbagai bidang aplikasi seperti: a) Business Intelligence b) Image pattern recognition c) Web search
20
d) Biology e) Security f) Economy Contoh aplikasi data mining yang menggunakan teknik clustering: a) Business Intelligence Clustering dapat digunakan untuk mengorganisir pelanggan dalam jumlah besar ke dalam kelompok yang memiliki banyak persamaan. Hal ini membantu dalam proses CRM. b) Web search Clustering
digunakan
pada
saat
pencarian
menggunakan keyword. Karena sangat banyaknya jumalah website yang ada, clustering dapat digunakan untuk mengorganisir hasil pencarian ke dalam beberapa kelompok, yang menyajikan hasil yang lebih mudah ditelusuri. c) Marketing Untuk mengelompokan customer yang memiliki keunikan
dan
mengembangkan
program
marketing terhadap beberapa customer tersebut.
target
21
2.1.4. Holdout Method
Gambar 2.2 Holdout Method Han, Jiawei (2011, p370)
Menurut Han, Jiawei (2011, p370),
holdout method adalah data yang
diberikan secara acak dibagi menjadi dua set independen, yaitu training set dan test set. Biasanya, dua pertiga dari data yang dialokasikan untuk training set, dan sisanya, sepertiga dialokasikan untuk test set. Training set digunakan untuk menurunkan model. Akurasi model tersebut kemudian diperkirakan dengan test set. Perkiraan pesimis karena hanya sebagian dari data awal yang digunakan untuk menurunkan model. 2.2. Pasar Modal 2.2.1. Saham 2.2.1.1. Pengertian Saham Saham adalah sertifikat yang menunjukkan bukti kepemilikan suatu perusahaan, dan pemegang saham memiliki hak klaim atas penghasilan dan aktiva perusahaan. 2.2.1.2. Jenis Saham a) Saham Biasa Merupakan jenis efek yang paling sering dipergunakan oleh emiten untuk memperoleh dana dari masyarakat dan juga merupakan
22
jenis yang paling populer di Pasar Modal. Jenis ini memiliki karakteristik seperti: a) Hak klaim terakhir atas aktiva perusahaan jika perusahaan dilikuidasi. b) Hak suara proporsional pada pemilihan direksi serta keputusan lain yang ditetapkan pada Rapat Umum Pemegang Saham. c) Dividen, jika perusahaan memperoleh laba dan disetujui di dalam Rapat Umum Pemegang Saham. d) Hak memesan efek terlebih dahulu, sebelum efek tersebut ditawarkan kepada masyarakat. b) Saham Preferen Memiliki karakteristik sebagai berikut: a) Pembayaran dividen dalam jumlah yang tetap. b) Hak klaim lebih dahulu dibanding saham biasa, jika perusahaan dilikuidasi. c) Dapat dikonversikan menjadi saham biasa. 2.2.1.3. Manfaat Investasi Saham a) Dividen Dividen adalah bagian keuntungan perusahaan yang dibagikan kepada pemegang saham. Jumlah dividen yang akan dibagikan diusulkan oleh Dewan Direksi dan disetujui di dalam Rapat Umum Pemegang Saham. Dividen terbagi menjadi dua, yaitu: b) Dividen Tunai Jika emiten membagikan dividen kepada para pemegang saham dalam bentuk sejumlah uang untuk setiap saham yang dimiliki. c) Dividen Saham Jika emiten membagikan dividen kepada para pemegang saham dalam bentuk saham baru perusahaan tersebut, yang pada akhirnya akan meningkatkan jumlah saham yang dimiliki pemegang saham.
23
d) Capital Gain Investor dapat menikmati capital gain, jika harga jual melebihi harga beli saham tersebut. 2.2.1.4. Risiko Investasi Saham Berikut ini adalah risiko investasi pada saham: a) Tidak ada pembagian dividen Jika emiten tidak dapat membukukan laba pada tahun berjalan atau Rapat Umum Pemegang Saham memutuskan untuk tidak membagikan dividen kepada pemegang saham karena laba yang diperoleh akan digunakan untuk ekspansi perusahaan. b) Capital Loss Investor akan mengalami capital loss, jika harga beli saham besar dari harga jual. c) Risiko Likuidasi Jika emiten bangkrut atau dilikuidasi, para pemegang saham memiliki hak klaim terakhir terhadap aktiva perusahaan, setelah seluruh kewajiban emiten dibayar. d) Saham delisting dari Bursa Karena beberpa
alasan
tertentu,
saham
dapat
dihapus
pencatatannya (delisting) di Bursa, sehingga pada akhirnya saham tersebut tidak dapat diperdagangkan. 2.2.2. Obligasi 2.2.2.1. Pengertian Obligasi Obligasi adalah sertifikat yang berisi kontrak antara investor dan perusahaan, yang menyatakan bahwa investor/pemegang obligasi telah meminjam sejumlah uang kepada perusahaan. Perusahaan yang menerbitkan obligasi mempunyai kewajiban untuk membayar bunga secara regular sesuai dengan jangka waktu yang telah ditetapkan, serta pokok pinjaman pada saat jatuh tempo.
24
2.2.2.2. Manfaat Investasi Obligasi Berikut ini manfaat dari obligasi: a) Bunga Bunga dibayar secara regular sampai jatuh tempo dan ditetapkan dalam presentase dari nilai nominal. b) Capital Gain Sebelum jatuh tempo, biasanya obligasi diperdagangkan di Pasar Sekunder, sehingga investor mempunyai kesempatan untuk memperoleh capital gain. Capital gain juga dapat diperoleh jika investor membeli Obligasi dengan diskon, yaitu dengan nilai lebih rendah dari nilai nominalnya. c) Hak Klaim Pertama Jika emiten bangkrut atau dilikuidasi, pemegang obligasi sebagai kreditur memiliki Hak Klaim Pertama atas aktiva perusahaan. d) Jika memiliki obligasi konversi Investor dapat mengkonversikan obligasi menjadi saham pada harga yang telah ditetapkan, dan kemudian berhak untuk memperoleh manfaat atas saham. 2.2.2.3. Risiko Investasi Obligasi Berikut ini merupakan risiko investasi pada obligasi: a) Gagal bayar (default) Kegagalan dari emiten untuk melakukan pembayaran bunga serta hutang pokok pada waktu yang telah ditetapkan, atau kegiatan emiten untuk memenuhi ketentuan lain yang ditetapkan dalam kontrak Obligasi.
25
b) Capital Loss Obligasi yang dijual sebelum jatu tempo dengan harga yang lebih rendah dari harga belinya. c) Callability Sebelum jatuh tempo, emiten mempunyai hak untuk membeli kembali Obligasi yang telah diterbitkan. 2.2.3. Derivatif Derivatif terdiri dari efek yang diturunkan dari instrumen efek lain yang disebut “underlying”. Ada beberapa macam instrument derivatif di Indonesia, seperti Bukti Right, Waran, dan Kontrak Berjangka. Derivatif merupakan instrumen yang sangat berisiko jika tidak dipergunakan secara hati-hati. 2.2.3.1. Bukti Right 2.2.3.1.1. Pengertian Bukti Right Sesuai dengan undang-undang Pasar Modal, Bukti Right didefinisikan sebagai hak memesan efek terlebih dahulu pada harga yang telah ditetapkan selama periode tertentu. Bukti Right diterbitkan pada penawaran umum terbatas (Right Issue), dimana saham baru ditawarkan pertama kali kepada pemegang saham lama. Bukti Right juga dapat diperdagangkan di Pasar Sekunder selama periode tertentu. 2.2.3.1.2. Manfaat Investasi Bukti Right Berikut ini beberapa manfaat Bukti Right: a) Investor memiliki hak istimewa untuk membeli saham baru pada harga yang telah ditetapkan dengan menukarkan Bukti Right yang dimilikinya. Hal ini memungkinkan
investor
untuk
memperoleh
keuntungan dengan membeli saham baru dengan harga yang lebih murah.
26
b) Bukti Right dapat diperdagangkan pada Pasar Sekunder, sehingga investor dapat menikmati Capital Gain, ketika harga jual dari Bukti Right tersebut lebih besar dari harga belinya. 2.2.3.1.3. Risiko Investasi Bukti Right Berikut ini merupakan risiko dari memiliki Bukti Right: a) Jika harga saham pada periode pelaksanaan jatuh dan menjadi lebih rendah dari harga pelaksanaan, maka investor tidak akan mengkonversikan Bukti Right tersebut, sementara itu investor akan mengalami kerugian atas harga beli Right. b) Bukti Right dapat diperdagangkan pada pasar sekunder,
sehingga
investor
dapat
mengalami
kerugian (Capital Loss), ketika harga jual dari Bukti Right tersebut lebih rendah dari harga belinya. 2.2.3.2. Waran 2.2.3.2.1. Pengertian Waran Waran biasanya melekat sebagai daya tarik (sweetener) pada penawaran umum saham ataupun obligasi. Biasanya harga pelaksanaan lebih rendah dari pada harga pasar saham. Setelah saham ataupun obligasi tersebut tercatat di bursa, waran dapat diperdagangkan secara terpisah. 2.2.3.2.2. Manfaat Investasi Waran Berikut ini merupakan manfaat dari memiliki Waran: a) Pemilik waran memiliki hak untuk membeli saham baru perusahaan dengan harga yang lebih rendah dari harga saham tersebut di Pasar Sekunder dengan cara menukarkan waran yang dimilikinya ketika harga
27
saham
perusahaan
tersebut
melebihi
harga
pelaksanaan. b) Apabila waran diperdagangkan di Bursa, maka pemilik
waran
mempunyai
kesempatan
untuk
memperoleh keuntungan (capital gain) yaitu apabila harga jual waran tersebut lebih besar dari harga beli. 2.3. Kerangka Pikir Latar Belakang
Evaluasi classification dengan menggunakan metode classification
Studi literatur dan lain-lain Visualisasi grafik Identifikasi Masalah
Identifikasi kebutuhan informasi
Penerapan Data Mining pada Targeted Marketing
Gambar 2.3 Kerangka Pikir Penelitian
