Proses Benchmarking

5.2.2.2 Proses Benchmarking

            Ada beberapa proses yang harus dilalui dalam melakukan benchmarking. Proses ini merupakan tahap-tahap dari Fuzzy C-Mean Clustering.

Inisialisasi derajat keanggotaan dengan melakukan klik kepada tombol Generate, yang nantinya akan melakukan inisialisasi pada variabel derajat keanggotaan dengan nilai random.

Gambar 5.3 Generate Data Random

Kemudian klik tombol Run untuk melakukan proses selanjutnya, yakni mencari centroid dan mencari derajat keanggotaan masing-masing data terhadap masing-masing klaster serta melakukan update derajat keanggotaan secara terus menerus hingga batas ketelitiannya tercapai.

Gambar 5.4 Run Proses Benchmarking

                                    

5.2.2.3  Output Benchmarking

Setelah terjadi beberapa tahapan dalam proses benchmarking, dapat dilihat hasilnya dengan representasi grafik-grafik berikut ini.

Gambar 5.5 adalah grafik data IHSG BEJ terhadap derajat keanggotaannya pada masing-masing klaster. Beberapa daerah warna yang ada merepresentasikan masing-masing klaster. Pada grafik terdapat 6 warna yang berarti ada 6 klaster. Tiap data bisa menjadi anggota lebih dari satu klaster. Hal ini bila direpresentasikan dengan grafik, tiap data bisa masuk ke dalam lebih dari satu daerah warna. Contohnya data X yang masuk ke dalam daerah warna hijau dan coklat. Oleh sebab itu, pada grafik terdapat beberapa warna yang saling tumpang tindih.

Gambar 5.5 Derajat Keanggotaan Skenario 1

Sedangkan grafik dibawah adalah sebuah grafik yang merepresentasikan masing-masing data yang  terklaster yang dihubungkan dengan variable waktu (saat terjadinya indeks berlangsung). Juga terlihat centroid dari masing-masing klaster.

Hasilnya adalah sebuah tabel data berisi data IHSG BEJ Composite terklaster beserta derajat keanggotaan data pada masing-masing klaster berikut ini:

Gambar 5.7 Output Derajat Keanggotaan Skenario 2

Apa yang bisa dilihat pada Gambar 5.7 ?. Gambar itu memberikan informasi derajat keanggotaan tiap data pada klaster tertentu. Ini merupakan ciri khas dari FCM yang merupakan sifat fleksibilitas dari metode tersebut. Dari derajat keanggotaan tersebut bisa didapatkan suatu kecenderungan dari poin indeks tertentu. Contohnya pada data 1000.877. Data tersebut memiliki derajat keanggotaan maksimalnya ada pada klaster 4 yang bernilai 0,71 sedangkan derajat keanggotaan tertinggi kedua ada pada klaster 3 yang bernilai 0,147. Bila melihat pada Gambar 5.6 klaster 4 yang berwarna coklat sedangkan klaster 3 yang berwarna kuning maka diberikan informasi bahwa poin indeks 1000,877 masuk ke dalam klaster 4 dan cenderung ke dalam klaster 3.

Hasil tabel data berupa data IHSG BEJ Composite terklaster yang sudah tersortir ascending beserta derajat keanggotaan paling maksimum masing-masing data dengan variabel waktu pada Gambar 5.8 berikut ini:

Gambar 5.8 Output Data Terkorelasi Waktu Skenario 1

      

5.2.2.3  Analisis Output

Pada Gambar 5.9 bisa terlihat bahwa poin IHSG BEJ yang bernilai 1.041,628 masih belum diketahui masuk dalam kelompok yang mana.

Gambar tersebut termasuk ke dalam grafik buta. Hal ini karena grafik tersebut masih belum bisa memberikan informasi secara lebih jelas. Contohnya adalah data yang ditunjuk pada grafik tersebut masuk ke dalam kelompok yang mana, apakah masuk dalam kelompok A, AB, B, BC, C atau D ?. Tiap manusia akan memiliki beberapa penilaian berbeda satu dengan yang lainnya.

Gambar 5.11 Range Benchmark Skenario 1

Sekarang, mari mencari informasi yang terdapat dalam grafik Gambar 5.10 dari data terklaster tersebut. Lihatlah pada kelompok A (yang berwarna merah), yang merupakan kasta tertinggi dari kelompok data. Jika dilihat lebih jeli, bisa didapatkan bahwa indeks akan tinggi (berada pada kelompok A) pada bulan Agustus dan Desember. Berdasarkan informasi tersebut bisa dibuat suatu pijakan bahwa bursa saham dalam keadaan tinggi pada bulan-bulan tersebut. Hal tersebut bisa sebagai informasi dan pelajaran dari pengalaman untuk tahun berikutnya apa yang harus dilakukan pelaku pasar modal (khususnya investor) untuk menyikapi hal tersebut.

5.3  Skenario Uji Coba 2

Pada uji coba ini diberikan suatu skenario yang ditujukan untuk mengetahui fungsionalitas aplikasi yang dibuat. Terdapat sebuah skenario yang diujikan pada aplikasi ini.

5.3.1 Garis Besar Skenario 2

Suatu studi kasus dilakukan pada sudut pandang pengguna yang akan melakukan benchmarking sebagai alat bantu dalam pengambilan keputusan dan atau untuk melakukan suatu laporan terhadap nilai IHSG BEJ jenis LQ45 pada tahun 2005.

Penyusun memilih LQ45 karena terdapat suatu produk pasar modal dari PT. Bursa Efek Surabaya yang menjual poin dari indeks LQ45. Tiap poin dari indeks tersebut diberikan harga tertentu oleh pihak yang mengeluarkan produk tersebut (dalam hal ini adalah PT Bursa Efek Surabaya). Investor melakukan aksi jual dan beli dari poin indeks tersebut. Investor mendapatkan keuntungan dari selisih jual beli poin indeks tersebut. Namanya adalah LQ Futures dan Mini LQ Futures. LQ Future diluncurkan pada tanggal 13 Agustus 2001 dan menjadi pelopor dari produk derivative khususnya untuk indeks future di Bursa Efek Surabaya. LQ Futures menggunakan IHSG BEJ yang berjenis LQ45 sebagai underlying (dasar/barang). LQ45 terkenal sebagai suatu benchmark pada saham yang tergolong blue chip pada bursa saham Indonesia. Pada pasar modal Indonesia yang cepat perkembangannya, indeks LQ45 menjadi sangat efektif untuk melakukan track pada bursa saham Indonesia pada umumnya. Hal ini karena ada korelasi yang sangat dekat antara indeks LQ45 dan IHSG BEJ yang berjenis composite index.

IHSG BEJ jenis LQ45 dibagi ke dalam kelompok-kelompok/kelas-kelas berikut ini:

Tabel 5.3 Kelompok Skenario 2

Kelompok /Kelas	Keterangan
Kelas A	Kelas ini berarti terdapat nilai-nilai IHSG BEJ LQ45 dengan poin yang sangat tinggi yang berarti pasar dalam keadaan Bullish.
Kelas B	Kelas ini berarti terdapat nilai-nilai IHSG BEJ LQ45 yang masih dalam keadaan baik, perdagangan masih dalam keadaan rata-rata.
Kelas C	Kelas ini berarti terdapat nilai-nilai IHSG BEJ LQ45 dengan poin yang sangat rendah dan terpuruk, kondisi berarti pasar dalam keadaan Bearish.

5.3.2        Pelaksanaan Skenario 2

Uji coba dilaksanakan dengan melakukan apa yang telah dituliskan dalam skenario diatas.

Pelaksanaan skenario ini akan melalui beberapa tahapan, yakni tahap input parameter, proses benchmarking, melihat output dari benchmarking dan melakukan analisis dari output.

5.3.2.1  Input Parameter

            Sesuai dengan skenario diatas, harus di-input-kan beberapa parameternya.

Input parameter yang harus dimasukkan adalah:

v  Jumlah Cluster   = 3

v  Fuzziness (m)     = 2

v  Batas ketelitian   = 0.03

Gambar 5.13 Input Jenis Index Skenario 2

5.3.2.2  Proses Benchmarking

            Ada beberapa proses yang harus dilalui untuk melakukan benchmarking. Proses ini merupakan tahap-tahap dari Fuzzy C-Means Clustering.

Inisialisasi derajat keanggotaan dengan melakukan klik pada tombol Generate, yang nantinya akan melakukan inisialisasi pada variabel derajat keanggotaan dengan nilai random.

5.3.2.3  Output Benchmarking

Setelah beberapa tahapan dilalui dalam proses benchmarking, dapat dilihat hasilnya dari representasi grafik pada Gambar 5.16 berikut ini.

Grafik tersebut adalah grafik data IHSG BEJ LQ45 terhadap derajat keanggotaannya kepada masing-masing klaster. Beberapa warna yang ada adalah merepresentasikan masing-masing klaster. Didalam grafik terdapat 3 warna yang berarti ada 3 klaster. Ada  data yang masuk pada lebih dari dua klaster. Hal itu bisa dilihat dengan melihat daerah klaster yang berwarna. Pada grafik terlihat bahwa ada beberapa warna yang saling tumpang tindih. Daerah klaster yang berwarna biru sebagian tertutupi oleh daerah klaster yang berwarna merah begitu juga sebaliknya. Bahkan ada data yang masuk pada 3 daerah klaster, ketiga daerah klaster tersebut saling tumpang tindih.

Apa yang bisa dilihat pada Gambar 5.18 ?. Gambar itu memberikan informasi derajat keanggotaan tiap data pada klaster tertentu. Ini merupakan ciri khas dari FCM yang merupakan sifat fleksibilitas dari metode tersebut. Dari derajat keanggotaan tersebut bisa didapatkan suatu kecenderungan dari poin indeks tertentu. Contohnya pada data 218,568. Data tersebut memiliki derajat keanggotaan maksimalnya ada pada klaster 1 yang bernilai 0,835 sedangkan derajat keanggotaan tertinggi kedua ada pada klaster 0 yang bernilai 0,123. Bila melihat pada Gambar 5.17 klaster 1 yang berwarna biru sedangkan klaster 0 yang berwarna merah maka diberikan informasi bahwa poin indeks 218,568 masuk ke dalam klaster 1dan cenderung ke dalam klaster 0.

Hasil tabel data berupa data IHSG BEJ LQ45 terklaster yang sudah tersortir ascending beserta derajat keanggotaan maksimum masing-masing data dengan variabel waktu ada Gambar 5.19 berikut ini:

5.3.2.3   Analisis Output

Berikut ini adalah grafik buta, data yang ditunjuk dalam grafik tersebut masuk ke dalam kelompok yang mana, apakah masuk dalam kelompok A, B, atau C.

Informasi bisa diperoleh dengan melihat beberapa grafik yang ada. Indeks akan tinggi (berada pada kelompok A) pada bulan Juli, Agustus dan Desember. Berdasarkan informasi tersebut bisa dibuat suatu pijakan bahwa bursa saham LQ45 dalam keadaan tinggi pada bulan-bulan tersebut. Hal tersebut bisa sebagai informasi dan pelajaran dari pengalaman untuk tahun berikutnya apa yang harus dilakukan pelaku pasar modal (khususnya investor) untuk menyikapi hal tersebut.

                                                

5.4  Skenario Uji Coba 3

Pada uji coba ini diberikan suatu skenario yang ditujukan untuk mengetahui fungsionalitas aplikasi yang dibuat. Terdapat sebuah skenario yang diujikan pada aplikasi ini. Skenario yang diujikan adalah skenario jenis IHSG BEJ yang termasuk ke dalam sektor industri.

5.4.1  Garis Besar Skenario 3

Terdapat suatu studi kasus dalam sudut pandang pengguna yang akan melakukan benchmarking sebagai alat bantu dalam pengambilan keputusan dan atau untuk melakukan suatu laporan terhadap nilai IHSG BEJ yang sektoral untuk mengetahui keadaan bursa saham pada sektor tertentu. Kali ini yang di ujicoba adalah IHSG BEJ dibidang Agriculture (pertanian).

Perusahaan yang tercatat di BEJ diklasifikasikan dalam 9 sektor yang didasarkan pada klasifikasi industri yang ditetapkan oleh BEJ yang disebut JASICA (Jakarta Stock Exchange Industrial Classification). Masing-masing sektor memiliki karakter sesuai dengan bidang perusahaan yang masuk dalam sektor tersebut. Dalam skenario ini, dipilih Agriculture sebagai perwakilan dari beberapa sektor tersebut. IHSG BEJ yang jenisnya Agriculture terdiri dari beberapa saham perusahaan yang bergerak dibidang pertanian. Salah satu contoh dari perusahaan tersebut adalah PT. Astra Agro Lestari Tbk (nama-nama perusahaan yang masuk dalam sektor industri bisa dilihat pada lampiran F). IHSG BEJ Agriculture dibagi  ke dalam kelompok-kelompok/kelas-kelas  seperti pada Tabel 5.3 berikut ini:

Tabel 5.4 Kelompok Skenario 3

Kelompok /Kelas	Keterangan
Kelas A	Kelas ini berarti terdapat nilai-nilai IHSG BEJ Agriculture  dengan poin yang sangat tinggi yang berarti pasar dalam keadaan Bullish.
Kelas B	Kelas ini berarti terdapat nilai-nilai IHSG BEJ Agriculture yang masih dalam keadaan baik, perdagangan masih dalam keadaan rata-rata.
Kelas C	Kelas ini berarti terdapat nilai-nilai IHSG BEJ Agriculture dengan poin yang sangat rendah dan terpuruk, kondisi berarti pasar dalam keadaan Bearish.

5.4.2 Pelaksanaan Skenario

Uji coba dilaksanakan dengan melakukan apa yang telah dituliskan dalam skenario diatas. Pelaksanaan skenario ini akan melalui beberapa tahapan, yakni tahap input parameter, proses benchmarking, melihat output dari benchmarking dan melakukan analisis dari output. Masing-masing tahapan tersebut akan dijelaskan lebih lanjut pada sub bahasan yang ada dibawah ini.

5.4.2.1  Input Parameter

            Sesuai dengan skenario diatas, harus di-input-kan beberapa parameternya.

Input parameter yang harus dimasukkan adalah:

v  Jumlah Cluster   = 3

v  Fuzziness (m)     = 2

v  Batas ketelitian   = 0.03

5.4.2.2  Proses Benchmarking.

            Ada beberapa proses yang harus dilalui untuk melakukan benchmarking. Proses ini merupakan tahap-tahap dari Fuzzy C-Mean Clustering.

Inisialisasi derajat keanggotaan dengan melakukan klik kepada tombol Generate, yang nantinya akan melakukan inisialisasi pada variabel derajat keanggotaan dengan nilai random.

5.4.2.3  Output Benchmarking

Setelah terjadi beberapa tahapan dalam proses benchmarking, dapat dilihat hasilnya dengan representasi grafik pada Gambar 5.27. Grafik tersebut adalah grafik data IHSG BEJ Agriculture terhadap derajat keanggotaannya pada masing-masing klaster. Beberapa warna yang ada merepresentasikan masing-masing klaster. Pada grafik terdapat 3 warna yang berarti ada 3 klaster.

Apa yang bisa dilihat pada Gambar 5.29 ?. Gambar itu memberikan informasi derajat keanggotaan tiap data pada klaster tertentu. Ini merupakan ciri khas dari FCM yang merupakan sifat fleksibilitas dari metode tersebut. Dari derajat keanggotaan tersebut bisa didapatkan suatu kecenderungan dari poin indeks tertentu. Contohnya pada data 303,318. Data tersebut memiliki derajat keanggotaan maksimalnya ada pada klaster 0 yang bernilai 0,994 sedangkan derajat keanggotaan tertinggi kedua ada pada klaster 1 yang bernilai 0,004. Bila melihat pada Gambar 5.28 klaster 0 yang berwarna merah sedangkan klaster 1 yang berwarna biru maka diberikan informasi bahwa poin indeks 303,318 masuk ke dalam klaster 0 dan cenderung ke dalam klaster 1.

                       

Gambar 5.30 adalah hasil dari data IHSG BEJ Agriculture terklaster yang sudah tersortir ascending beserta derajat keanggotaan maksimum masing-masing data dengan variabel waktu:

Informasi bisa diperoleh dengan melihat beberapa grafik yang ada. Indeks akan tinggi (berada pada kelompok A) pada bulan Oktober, Nopember dan Desember. Berdasarkan informasi tersebut bisa dibuat suatu pijakan bahwa bursa saham Agriculture dalam keadaan tinggi pada bulan-bulan tersebut. Hal tersebut bisa sebagai informasi dan pelajaran dari pengalaman untuk tahun berikutnya apa yang harus dilakukan pelaku pasar modal (khususnya investor) untuk menyikapi hal tersebut.