PERAMALAN
2.1 Peramalan
Seiring dengan senjang waktu antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri, adanya waktu tenggang ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini panjang dan akhir peristiwa tergantung pada faktor yang dapat diketahui, maka perencanaan dapat memegang peranan penting. Perencanaan merupakan kebutuhan yang besar, karena waaktu tenggang untuk mengambil keputusan dapat berkisar dibeberapa tahun (untuk kasus penanaman modal) sampai beberapa hari atau bahkan beberapa jam (untuk menjadwalkan produksi dan transportasi), peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien.
Beberapa jenis peramalan yang telah dikenal yaitu causal dan time series. Peramalan masih digunakan hingga saat ini. Rizki (2007) telah melakukan penelitian the application of artificial neural network to forecast stock price : backpropagation approach. Penelitian lainnya yaitu Kumar dan Nanhay (2009) telah melakukan penelitian short term load forecasting using artificial neural network : a comparison with genetic algorithm implementation.
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Peramalan dapat membantu untuk mengurangi ketidakpastian dalam melakukan perencanaan. Oleh karena itu peramalan memegang peranan penting dalam perencanaan dan pengambilan keputusan diberbagai bidang.
2.2 Pendekatan Peramalan
2.2.1 Fungsi Peramalan
Peramalan adalah menduga atau memperkiraan suatu keadaan dimasa yang akan datang berdasarkan
keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat dilakukan (Makridakis et.al., 1999).
keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat dilakukan (Makridakis et.al., 1999).
Fungsi peramalan adalah sebagai dasar bagi perencanaan kapasitas, anggaran, perencanaan penjualan, perencanaan produksi, dan inventori, perencanaan sumber daya, serta perencanaan pembelianbahan baku. Ada dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat:
1. Pengumpulan data yang relevan yang berupa informasi yang dapat menghasilkan peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.
2.2.1.1 Langkah-Langkah Peramalan
Peramalan yang baik adalah peramalan yang dilakukan dengan langkahlangkah penyusunan yang teratur. Umumnya langkah-langkah tersebut dapat dibagi menjadi tiga bagian yaitu
1. Menganalisa data masa lalu
2. Menentukan metode yang akan digunakan
3. Memproyeksikan data yang lalu dengan metode yang dipakai dan mempertimbangkan adanya faktor-faktor perubahannya.
2.2.1.2 Pendekatan Kualitatif dan Kuantitatif
Pada dasarnya pendekatan peramalan dapat diklasifikasikan menjadi dua pendekatan, yaitu:
1. Pendekatan kualitatif
Metode peramalan kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif ini adalah metode subyektif. Hal ini meliputi metode pencatatan faktor-faktor yang dianggap akan mempengaruhi produksi terhadap hasil produksi tersebut, ataupun mengikuti pendapatan para pakar yang ahli terhadap produk yang hendak diprediksi. Dengan dasar informasi tersebut kita dapat memprediksi kejadian- kejadian dimasa yang akan datang. Yang termasuk pendekatan kualitatif antara lain Market Research, Costumer Surveys, Delphi Method, Sales Force Composite, Excecutive Opinions, Historical Analogy dan Panel Consencuss.
2. Pendekatan kuantitatif
Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time series. Metode peramalan causal meliputi faktor-faktor yang berhubungan dengan variable yang diprediksi. Sebaliknya peramalan time series merupakan metode kuantitatif untuk menentukan data masa lampau yang telah dikumpulkan secara teratur. Data lampau tersebut dapat dijadikan acuan untuk peramalan data dimasa yang akan datang
(Makridakis et.al., 1999).
2.2.1.3 Tinjauan Metode Kuantitatif
Terdapat dua macam metode kuantitatif yaitu model time series dan juga asosiatif
(Heizer & Render, 2004).
Model time series adalah model prediksi dengan asumsi bahwa masa depan merupakan funsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untuk melakukan peramalan. Jika kita memeperkirakan penjualan mingguan mesin pemotong rumput, kita menggunakan data masa lau untuk membuat ramalan.
Model asosiatif (atau hubungan sebab akibat), seperti regresi linear, menggabungkan variable atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan. Sebagai contoh, model asosiatif dari penjualan mesin pemotong rumput mungkin memasukkan faktor seperti adanya perumahan baru, anggaran iklan, dan harga pesaing.
2.2.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan merupakan sistem pengelola informasi yang memiliki karakter seperti jaringan biologis, yaitu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan
program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran Kusumadewi (2003).
Komponen dari jaringan syaraf tiruan terdiri atas:
1. Neuron : sel syaraf yang berfungsi membawa pesan informasi. Setiap neuron akan memiliki satu inti sel, inti sel ini nanti yang akan bertugas untuk melakukan pemrosesan informasi.
2. Bobot : bobot digunakan untuk mengatur jaringan dan menyelesaikan persoalan dengan menggunakan nilai tertentu berupa nilai matematis.
3. Aktivasi : fungsi yang menggambarkan hubungan antara tingkat aktivasi internal.
Aktivasi merupakan fungsi dari input yang diterima. Seperti terlihat pada gambar 2.1.
4. Output : hasil pemahaman jaringan terhadap data input yang diberikan.
1. Adaptive Learning, yaitu kemampuan untuk belajar bagaimana melakukan tugas berdasarkan data yang telah diberikan untuk latihan atau pengalaman pertama.
2. self-organization, yaitu sebuah jaringan syaraf tiruan dapat membuat organisasi sendiri atau merepresentasi informasi yang diterimanya pada saat proses pembelajaran.
3. Real time operation, yaitu: input, proses dan output (hasil) pada saat itu juga.
4. Fault Tolerance via redundance Information Coding, yaitu toleransi kesalahan melalui pengkodean informasi yang berlebihan.
5. Dapat mengartikan data yang rumit.
6. Dapat juga digunakan untuk mengubah pola yang terlalu kompleks.
Jaringan syaraf tiruan terdiri atas lapisan masukan (layer input) dan lapisan keluaran (layer output). Tetapi ada juga yang mempunyai lapisan tersembunyi (hidden layer) di antara lapisan masukan dan keluaran. Unit yang ada pada lapisan masukan disebut dengan unit masukan. Pada unit masukan tidak memproses suatu informasi tetapi hanya menyebarkan atau menyalurkan ke unit lain. Sedangkan unit yang ada pada lapisan tersembunyi dan lapisan keluaran menghasilkan keluaran. Gambar 2.2 menunjukkan JST dengan 3 lapisan, terdiri atas lapisan masukan, satu lapisan tersembunyi dan lapisan keluaran.
a. Unit masukan (Input: X1, Xi, Xn ) : Nodes yang terdapat dalam lapisan ini disebut sebagai unit input yang mengubah suatu input yang dimasukkan ke dalam bentuk sinyal yang dapat dimengerti sistem dan diteruskan ke dalam jaringan untuk diproses.
b. Unit tersembunyi (Hidden : Z1, Zj, Zp) : Nodes yang berada pada lapisan ini disebut sebagai hidden unit, yaitu unit-unit yang tidak berhubungan secara langsung dengan dunia luar (misal : informasi masukan). Lapisan inilah yang membuat jaringan memiliki sifat non linear karena terjadi proses komputasi.
c. Unit keluaran (Output : Y1, Yk, Ym) : Unit ini merupakan sebutan untuk nodes yang berada di dalam lapisan ini yang keluar dari proses sehingga dapat ditafsirkan sesuai dengan kasus yang dikehendaki.
2.2.2.1.1 Pelatihan Jaringan Syaraf Tiruan
Untuk dapat menyelesaikan suatu permasalahan, jaringan syaraf buatan melakukan algoritma belajar, yaitu bagaimana sebuah konfigurasi jaringan syaraf buatan dapat dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini, pengetahuan yang terdapat pada data dapat diserap dan direpresentasikan oleh harga – harga bobot koneksinya. Ada dua jenis algoritma belajar, yaitu Erwin (2005) :
1. Supervised Learning (proses belajar terawasi), pada pembelajaran ini target tersedia. Contohnya antara lain Delta Rule, algoritma backpropagation. Dalam proses belajar yang terawasi, cara pelatihan jaringan tersebut adalah dengan memberikan data yang disebut data training atau training vectors. Training data terdiri atas pasangan input-output yang diharapkan dan merupakan associative memory. Data tersebut biasanya didapat dari pengalaman atau pengetahuan seseorang dalam menyelesaikan persoalan. Setelah jaringan dilatih, associative memory akan mengingat suatu pola. Jika jaringan diberi input baru, jaringan dapat mengeluarkan output seperti yang diharapkan (desired atau target output) berdasarkan pola yang sudah ada.
2. Unsupervised Learning (proses belajar tak terawasi). Algoritma ini sama sekali tidak menggunakan data target (tanpa target). Pada algoritma belajar ini, tidak membutuhkan target untuk keluarannya. Oleh karena itu tak ada perbandingan yang dilakukan dengan respon ideal yang ditetapkan sebelumnya. Rangkaian pelatihan hanya berisi vektor masukan saja.
2.2.2.1.2 Arsitektur Jaringan Syaraf Tiruan
Berdasarkan jumlah layer jaringan dapat dibedakan single layer dan multilayer. Jaringan yang berbentuk single layer, yaitu jaringan yang mempunyai satu layer saja. Jaringan yang berbentuk multilayer, yaitu jaringan yang terdiri lebih dari satu layer. Dalam jaringan single layer, hanya terdapat satu lapisan dengan bobot-bobot terhubung. Neuron-neuron pada jaringan single layer dapat dikelompokkan menjadi dua bagian, yaitu unit input dan unit output. Unit input menerima masukan dari luar, kemudian masukan tersebut langsung diolah menjadi keluaran tanpa harus melalui lapisan tersembunyi. Semua unit input akan langsung berhubungan dengan unit output.
Jaringan multilayer, selain ada unit input dan output, juga terdapat unit yang tersembunyi (hidden units) diantara lapisan input dan lapisan output. Jumlah hidden units tersebut tergantung pada kebutuhan. Semakin kompleks jaringan, hidden units yang dibutuhkan makin banyak, demikian pula jumlah layer nya. Jaringan multilayer sering dipakai untuk persoalan yang lebih rumit karena pelatihan untuk hal yang komplek akan lebih berhasil jika menggunakan jaringan multilayer dibandingkan menggunakan jaringan single layer.
2.2.2.2 Jaringan Syaraf Tiruan Backpropagation
JST backpropagation atau rambat balik adalah metode yang paling sederhana dan mempunyai konsep belajar yang mudah dipahami dibandingkan metode-metode yang lain. JST backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya metode ini pada tahun 1988. JST backpropagation akan mengubah bobot biasnya untuk mengurangi perbedaan antara output jaringan dan target output. Pelatihan akan terus dilakukan hingga bobot yang dicapai pada jaringan tersebut dianggap ideal atau telah mencapai minimum error. Setelah pelatihan selesai, dilakukan pengujian terhadap jaringan yang telah dilatih. Pembelajaran algoritma jaringan syaraf membutuhkan perambatan maju dan diikuti dengan perambatan mundur (bolak-balik), hal ini menyebabkan proses pembelajarannya menjadi lama karena memakan waktu. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Secara umum konsep pelatihan dari JST backpropagation adalah :
1. Belajar dari kesalahan.
2. Memasukan secara umpan maju (feed forward) pola-pola masukan.
3. Menghitung dan backpropagation kesalahan yang besangkutan.
4. Mengatur bobot-bobot koneksi.
2.2.2.3 Arsitektur Jaringan Syaraf Tiruan Backpropagation
Sebuah neuron dengan jumlah masukan P dan bobot w pada tiap koneksi input ditunjukkan pada gambar 2.3 Jumlah masukan bobot dan bias menghasilkan masukan total ke fungsi aktivasi f. Neuron-neoron dapat menggunakan sembarang fungsi aktivasi f yang ada diferensialnya untuk menghasilkan keluaran sulistiawati (2006).
Arsitektur jaringan yang paling umum digunakan untuk jaringan syaraf tiruan metode backpropagation adalah jaringan multilayer. Pada lapisan tersembunyi, dimungkinkan untuk menggunakan lebih dari satu lapisan.
arsitektur jaringan syaraf tiruan metode backpropagation. Jaringan terdiri atas 3 unit (neuron) pada lapisan input, yaitu X1, X2, dan X3; 1 lapisan tersembunyi dengan 2 neuron, yaitu Z1 dan Z2; serta 1 unit pada lapisan output, yaitu Y. Bobot yang menghubungkan X1, X2, dan X3 dengan neuron pertama pada lapisan tersembunyi, adalah V11, V21, dan V31. Sedangkan bobot yang menghubungkan X1, X2, dan X3 dengan neuron kedua pada lapisan tersembunyi, adalah V12, V22, dan V32 (Vij: bobot yang menghubungkan neuron input ke-i ke neuron ke-j pada lapisan tersembunyi). V01 dan V02 adalah bobot bias yang menuju ke neuron pertama dan kedua pada lapisan tersembunyi. Bobot yang menghubungkan Z1 dan Z2 dengan neuron pada lapisan output, adalah W11 dan W21 (Wjk: bobot yang menghubungkan neuron lapisan tersembunyi ke-j ke neuron ke-k pada lapisan output). Bobot bias W01 menghubungkan lapisan tersembunyi dengan lapisan output. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward) pada gambar ditunjukkan dengan panah berwarna merah. Sedangkan untuk mendapatkan error tahap perambatan maju (feed forward) harus dikerjakan terlebih dahulu, pada gambar ditunjukkan dengan panah berwarna hitam. Pada saat perambatan maju, neuron-neuron diaktifkan dengan fungsi aktivasi, perhitungan bobot-bobot neuron pada langkah feed forward hanya didasarkan pada vektor masukan, sedangkan pada backward bobot-bobot diperhalus dengan memperhitungkan nilai target. Fungsi aktivasi yang digunakan, antara lapisan input dan lapisan tersembunyi, dan antara lapisan tersembunyi dengan lapisan output adalah fungsi aktivasi sigmoid biner (tidak diperlihatkan pada gambar).
2.2.2.4 Fungsi Aktivasi Jaringan Syaraf Tiruan Backpropagation
Karakteristik yang harus dimiliki oleh fungsi aktivasi Jaringan Syaraf Tiruan adalah kontinu, diferensiabel dan tidak menurun secara monoton. Fungsi aktivasi pada Jaringan Syaraf Tiruan Backpropagation terdiri dari beberapa metode puspita (2006) :
2.2.2.5 Algoritma Pelatihan Jaringan Syaraf Tiruan Backpropagation
Algoritma pelatihan pada jaringan syaraf tiruan backpropagation adalah sebagai berikut kusumadewi (2003) :
Langkah 0 : Inisialisasi nilai bobot (diatur pada nilai acak yang kecil).
Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, lakukan langkah 2-9. Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8.
Perambatan maju (Feedforward) :
Setelah pelatihan, sebuah jaringan syaraf backpropagation diaplikasikan hanya pada fase umpan maju (feedforward). Prosedur aplikasinya adalah sebagai berikut Erwin (2004) :
Langkah 0 : Inisialisasi bobot awal (hasil dari pelatihan). Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4.
2.1.3 Algoritma Genetika
Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya, David Goldberg. Algoritma genetik adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahan-masalah (problem solving). Pendekatan yang diambil oleh algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang memaksimalkan kecocokannya atau lazim disebut fitness. Generasi ini akan merepresentasikan perbaikanperbaikan pada populasi awalnya. Dengan melakukan proses ini secara berulang, algoritma ini diharapkan dapat mensimulasikan proses evolusioner. Pada akhirnya, akan didapatkan solusi-solusi yang paling tepat bagi permasalahan yang dihadapi. Untuk menggunakan algoritma genetik, solusi permasalahan direpresentasikan sebagai khromosom. Tiga aspek yang penting untuk penggunaan algoritma genetik :
1. Definisi fitness function
2. Definisi dan implementasi representasi genetik
3. Definisi dan implementasi operasi genetik
Jika ketiga aspek di atas telah didefinisikan, algoritma genetik generik akan bekerja dengan baik. Tentu saja, algoritma genetik bukanlah solusi terbaik untuk memecahkan segala masalah. Sebagai contoh, metode tradisional telah diatur untuk untuk mencari penyelesaian dari fungsi analitis convex yang “berperilaku baik” yang variabelnya sedikit. Pada kasus-kasus ini, metode berbasis kalkulus lebih unggul dari algoritma genetik karena metode ini dengan cepat menemukan solusi minimum ketika algoritma genetik masih menganalisa bobot dari populasi awal. Untuk problem problem ini pengguna harus mengakui fakta dari pengalaman ini dan memakai metode tradisional yang lebih cepat tersebut. Akan tetapi, banyak persoalan realistis yang berada di luar golongan ini. Selain itu, untuk persoalan yang tidak terlalu rumit, banyak cara yang lebih cepat dari algoritma genetik. Jumlah besar dari populasi solusi, yang merupakan keunggulan dari algoritma genetik, juga harus mengakui kekurangannya dalam dalam kecepatan pada sekumpulan komputer yang dipasang secara seri fitness function dari tiap solusi harus dievaluasi. Namun, bila tersedia komputer-komputer yang paralel, tiap prosesor dapat mengevaluasi fungsi yang terpisah pada saat yang bersamaan. Karena itulah, algoritma genetik sangat cocok untuk perhitungan yang parallel.
2.1.3.1 Nilai Kekuatan
Seleksi alamiah di dunia nyata menyatakan bahwa hanya individu unggul (berkualitas tinggi) saja yang akan bertahan hidup. Sedangkan individu berkualitas rendah akan mati atau punah. Pada AG, suatu individu dievaluasi menggunakan fungsi tertentu sebagai ukuran nilai kualitasnya. Fungsi ini dikenal dengan fungsi fitness. Pada kasus optimasi ini digunakan maksimasi artinya mencari nilai maksimal dari suatu fungsi, sehingga tujuannya adalah memaksimalkan nilai fitness.
2.1.3.2 Kromosom
Untuk menjalankan optimasi AG perlu dibentuk khromosom. Khromosom terbentuk dari kumpulan beberapa neuron yaitu terdapat 15 neuron.
2.1.3.3 Persilangan
Pada proses pindah silang, terjadi kombinasi pewarisan gen-gen dari induknya, gen-gen dari kedua induk dapat bercampur sehingga dihasilkan susunan kromosom yang baru. khromosom ini dibentuk dari dua khromosom induk dalam populasi yang tersedia melalui operasi seleksi. Jika tidak terjadi persilangan maka populasi baru hanya dibentuk melalui mutasi.
2.1.3.4 Mutasi
Pada mutasi, tiap lokasi menjadi sasaran mutasi acak, dengan probabilitas independen yang kecil. Sebuah digit dimutasikan pada anak pertama, ketiga, dan keempat. Algoritma genetik mengkombinasikan suatu kecenderungan menaik dengan pengeksplorasian acak di antara thread pencarian paralel. Keuntungan utamanya,bila ada, datang dari operasi crossover. Namun, secara matematis dapat tunjukkan bahwa bila posisi dari kode genetik di permutasikan di awal dengan urutan acak, crossover tidak memberikan keunggulan. Secara intuisi, keuntungannya didapat dari kemampuan crossover untuk menggabungkan blok-blok huruf berukuran besar yang telah berevolusi secara independen untuk melakukan fungsi yang bermanfaat sehingga dapat menaikkan tingkat granularity di mana pencarian dilakukan
2.1.3.5 Seleksi
Seleksi mempunyai pengaruh yang bermakna di dalam ruang lingkup pencarian. Salah satu tujuan seleksi yaitu untuk menghindari kelahiran kromosom dini (prematur) sehingga terjadi konvergensi dini. Proses persilangan, mutasi, seleksi, dan penghentian atau terminasi dilakukan secara kontinyu sehingga tercapai tujuan yang sesuai dengan criteria penghentian (Goldberg et al,1989).
2.1.4 Saham
Saham dapat didefinisikan tanda penyertaan atau kepemilikan seseorang atau badan dalam suatu perusahaan atau perseroan terbatas. Wujud saham adalah selembar kertas yang menerangkan bahwa pemilik kertas tersebut adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi kepemilikan ditentukan oleh seberapa besar penyertaan yang ditanamkan di perusahaan tersebut (Darmadji dan Fakhruddin, 2001). Suatu perusahaan dapat menjual hak kepemilikannya dalam bentuk saham. Suatu perseroan terbatas mengeluarkan sertifikat saham kepada pemiliknya sebagai bukti investasi mereka dalam usaha. Satuan dasar dari modal saham adalah lembar saham. Suatu perseroan terbatas mengeluarkan sertifikat saham untuk sejumlah lembar saham yang diinginkan. Saham yang ada ditangan pemegang saham disebut saham beredar. Total jumlah saham dalam peredaran pada tiap waktu mewakili seratus persen kepemilikan perseroan terbatas disebut modal saham.
Ada beberapa sudut pandang untuk membedakan saham (Darmadji dan Fakhruddin, 2001) :
2.1.4.1 Ditinjau dari segi kemampuan dalam hak tagih atau klaim
2.1.4.1.1. Saham Biasa
Mewakili klaim kepemilikan pada penghasilan dan aktiva yang dimiliki perusahaan. Pemegang saham biasa memiliki kewajiban yang terbatas. Artinya, jika perusahaan bangkrut, kerugian maksimum yang ditanggung oleh pemegang saham adalah sebesar investasi pada saham tersebut.
2.1.4.1.2 Saham Preferen
Saham yang memiliki karakteristik gabungan antara obligasi dan saham biasa, karena bisa menghasilkan pendapatan tetap (seperti bunga obligasi), tetapi juga bisa tidak mendatangkan hasil, seperti yang dikehendaki investor. Serupa saham biasa karena mewakili kepemilikan ekuitas dan diterbitkan tanpa tanggal jatuh tempo yang tertulis di atas lembaran saham tersebut; dan membayar deviden. Persamaannya dengan obligasi adalah adanya klaim atas laba dan aktiva sebelumnya, devidennya tetap selama masa berlaku dari saham, dan memiliki hak tebus dan dapat dipertukarkan (convertible) dengan saham biasa.
2.1.4.2 Ditinjau Dari Cara Peralihannya
2.1.4.2.1 Saham Atas Unjuk
Pada saham atas unjuk (bearer stock) tersebut tidak tertulis nama pemiliknya, agar mudah dipindahtangankan dari satu investor ke investor lainnya. Secara hukum, siapa yang memegang saham tersebut, maka dialah diakui sebagai pemiliknya dan berhak untuk ikut hadir dalam RUPS.
2.1.4.2.2. Saham Atas Nama
Saham atas nama atau registered stock Merupakan saham yang ditulis dengan jelas siapa nama pemiliknya, di mana cara peralihannya harus melalui prosedur tertentu.
2.1.4.2.3. Ditinjau dari kinerja perdagangan
2.1.4.2.3.1. Blue – Chip Stocks
Saham biasa dari suatu perusahaan yang memiliki reputasi tinggi, sebagai leader di industri sejenis, memiliki pendapatan yang stabil dan konsisten dalam membayar dividen.
2.1.4.2.3.2. Income Stocks
Saham dari suatu emiten yang memiliki kemampuan membayar dividen lebih tinggi dari rata – rata dividen yang dibayarkan pada tahun sebelumnya. Emiten seperti ini biasanya mampu menciptakan pendapatan yang lebih tinggi dan secara teratur membagikan dividen tunai. Emiten ini tidak suka menekan laba dan tidak mementingkan potensi.
2.1.4.1.4.4. Growth Stocks
2.1.4.1.4.4.1 (Well – Known)
Saham – saham dari emiten yang memiliki pertumbuhan pendapatan yang tinggi, sebagai
leader di industri sejenis yang mempunyai reputasi tinggi.
2.1.4.1.4.4.2 (Lesser – Known)
Saham dari emiten yang tidak sebagai leader dalam industri, namun memiliki ciri growth stock. Umumnya saham ini berasal dari daerah dan kurang populer di kalangan emiten.
2.1.4.1.4.4.3 Speculative Stock
Saham suatu perusahaan yang tidak bisa secara konsisten memperoleh penghasilan dari tahun ke tahun, akan tetapi mempunyai kemungkinan penghasilan yang tinggi di masa mendatang, meskipun belum pasti.
2.1.4.1.4.4.4 Counter Cyclical Stocks
Saham yang tidak terpengaruh oleh kondisi ekonomi makro maupun situasi bisnis secara umum. Pada saat resesi ekonomi, harga saham ini tetap tinggi, di mana emitennya mampu memberikan dividen yang tinggi sebagai akibat dari kemampuan emiten dalam memperoleh penghasilan yang tinggi pada masa resesi.
Dan yang terbaru jenis saham yang diperdagangkan di BEI , yaitu ETF (Exchange Trade Fund) adalah gabungan reksadana terbuka dengan saham dan pembelian di bursa seperti halnya saham di pasar modal bukan di Manajer Investasi (MI) . ETF dibagi 2, yaitu: ETF index dan close and ETF. ETF index adalah menginvestasikan dana kelolanya dalam sekumpulan portofolio efek yang terdapat pada satu indeks tertentu dengan proporsi yang sama. Sedangkan Close and ETFs yaitu fund yang diperdagangkan dibursa efek yang berbentuk perusahaan investasi tertutup dan dikelola secara aktif.
.jpg)
Tidak ada komentar:
Posting Komentar