Perancangan dan Pembuatan Perangkat Lunak Analisa Fundamental Pemilihan Saham Bank dengan Jaringan Syaraf Tiruan Self-Organizing Maps

Kusuma, Armandio (2002) Perancangan dan Pembuatan Perangkat Lunak Analisa Fundamental Pemilihan Saham Bank dengan Jaringan Syaraf Tiruan Self-Organizing Maps. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5196100021-Undergraduated Thesis.pdf - Published Version

Download (11MB) | Preview

Abstract

Analisa fundamental ditujukan untuk memilih saham yang akan dibeli atau dijual dengan cara menganalisa kemungkinan perkembangan perusahaan di masa depan. Salah satu tahap dalam analisa fundamental adalah analisa kinerja keuangan perusahaan. Untuk memudahkan public dalam menilai kinerja keuangan perusahaan, pengamat independen atau badan rating khusus memberikan rating sebagai indicator kinerja. Karena banyaknya data rasio keuangan yang harus dianalisa tiap tahunnya diperlukan adanya otomatisasi. Dalam penelitian ini digunakan Jaringan Syaraf Tiruan Self-Organizing Maps (SOM) untuk melakukan otomatisasi. Data rasio keuangan didapatkan dari majalah InfoBank. Sebagai evaluasi, hasil pengelompokkan dari SOM dibandingkan dengan hasil rating dari pengamat independen InfoBank. Jaringan syaraf tiruan Self-Organizing Maps (SOM) membentuk model vector yang mewakili vector dari ruang input yakni rasio finansial bank. Model vector ini tersusun dalam bentuk grid dua dimensi yang disebut peta (map). Selama proses training input vector dibandingkan dengan model vector untuk mencari BMU (best marching unit) berdasarkan Euclidean distance yang terkecil. Model vector di sekitar BMU atau yang disebut neighbor dan BMU akan diupdate nilainya menggunakan parameter learning rate (α). Iterasi ini terus berlangsung hingga didapatkan average quantization error yang mendekati nol. Model vector yang terbentuk dapat dianggap sebagai cluster center, dimana bila digabungkan akan membentuk cluster yang lebih besar dan lebih mudah untuk diinterpretasikan. Pada percobaan pertama SOM belajar tanpa pengawasan (unsupervised learning) dimana cluster yang terbentuk hanay berdasarkan rasio keuangan. Pada percobaan kedua SOM belajar dengan semi-pengawasan (semi-supervised learning) dimana jaringan diarahkan untuk membentuk cluster tertentu dengan mengikuti variabel rating pada proses latihan. Ketepatan pengelompokkan dari SOM dengan hasil rating dari InfoBank dihitung dengan menggunakan parameter Cluster Coefficient of Determination (R2 cluster). Hasil percobaan pertama menunjukkan SOM memiliki ketepatan 49% dalam memetakan rating InfoBank. Percobaan kedua menunjukkan SOM memiliki ketepatan 100% dengan rating InfoBank. Percobaan kedua membuktikan bahwa SOM dapat dilatih untuk membentuk cluster tertentu dengan menambahkan variabel bobot.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 005.1 Kus p
Subjects: Q Science > QA Mathematics > QA76 Computer software
Divisions: Faculty of Information and Communication Technology > Informatics > (S1) Undergraduate Theses
Depositing User: ansi aflacha
Date Deposited: 18 Jul 2018 05:24
Last Modified: 18 Jul 2018 05:24
URI: http://repository.its.ac.id/id/eprint/52352

Actions (login required)

View Item View Item