7

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).

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���|/|D|, dimana

|C���| 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 class-

conditional 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 K-

Means 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 masing-

masing 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 target

marketing terhadap beberapa customer tersebut.

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

Studi literatur dan lain-lain

Identifikasi Masalah

Identifikasi kebutuhan informasi

Gambar 2.3 Kerangka Pikir Penelitian

Evaluasi classification dengan menggunakan metode classification

Visualisasi grafik

Penerapan Data Mining pada Targeted

Marketing