Featured
Rabu, 30 Juni 2021
Jumat, 09 November 2018
Rabu, 07 November 2018
keuntungan vs kerugian buyback saham di hari yang sama
Disclaimer !!
postingan ini hanya sebuah cerita berdasarkan kejadian yang di alami penulis, tidak di sarankan untuk mengikuti apa yang telah di ceritakan, alangkah baik jika cerita ini dijadikan sebuah pembelajaran pengalaman , salam.
buyback saham di hari yang sama bisa mendapatkan kerugian dan keuntungan berdasarkan saat buy dan sell di akhir sesi penjualan. pada tulisan ini penulis ingin memberikan cerita sedikit dengaapa yang di alaminya.
kerungian yang di dapatkan karena buyback.
buyback sangat merugikan bagi anda trader saham pemula, panik jual, bingung, terlalu banyak melihat orang sekitar, meniru kegiatan trader lain juga menyebabkan anda tidak mandiri dan bisa menyebabkan kerugian bagi anda sendiri.
apa yang di alami penulis sangat menyedihkan ketika penjualan berdasarkan panik di hari penjualan. dan mengikuti trader lain ketika buy ( buyback/ beli kembali di bawah)
ketika penulis mempunyai harga saham dengan average "2150" kemudian pada hari itu harga saham pasar jatuh ke 1970 , penulis sebagai trader pemula menjadi panik jual saat itu juga. kerugian yang dialami penulis tidak main-main, terhitung hingga 11% kerugian dialami penulis. kejadian sangat mengecewakan lagi karena
penulis tidak mengetahui arti buyback saham. saat mengikuti pembelian di harga 1970 , penulis lupa jika sebelumnya telah mempunyai harga saham dengan average 2150. hari berikutnya average harga saham baru dicatat.
kerugian dari aktivitas buyback ini adalah harga yang sebelumnya di belu 1970 akan berupah ke 2150 karena pembelian di hari yang sama.
keuntungan buyback
sangat menguntungkan jika buyback di hari yang sama dengan avg di atas. memang harga awal saat kita beli terlihat minus karena harga pembelian di hari itu mengikuti harga pasar
namun ingatlah ini. dengan avg anda yang sebelumnya 1970 kemudian jual di harga 2090. maka anda sudah termasuk untung. jangan lupa untuk menjualnya ya.
lalu jangan lupa lagi untuk membelinya kembali, karena dengan avg anda di 1970 saham akan mencatat avg anda ke esokan harinya.. jika anda membelinya lagi di 2090 maka avg anda akan kembali ke avg lama yaitu 1970
ya sekian semoga bermanfaat,
Selasa, 06 November 2018
PENERAPAN NAIVE BAYESIAN UNTUK MENCARI PELUANG KETERGANTUNGAN PEROKOK DENGAN KOPI
PENERAPAN NAIVE
BAYESIAN UNTUK MENCARI PELUANG KETERGANTUNGAN PEROKOK DENGAN KOPI
Muhammad Jafar Shodik
Fakultas
Teknik Informatika
Universitas
17 Agustus 1945 Surabaya
Email:
jafarshodik7@gmail.com
ABSTRAK
Lebih dari sepertiga
atau 36,3 persen penduduk Indonesia saat ini menjadi perokok. Bahkan 20 persen
remaja usia 13-15 tahun adalah perokok. Hal yang lebih mencengangkan saat ini,
remaja laki-laki yang merokok kian meningkat. Data pada tahun lalu
memperlihatkan peningkatan jumlah perokok remaja laki-laki mencapai 58,8
persen. Kebiasaan merokok di Indonesia telah membunuh setidaknya 235 ribu jiwa
setiap tahun. Data yang terbilang berhubungan dengan rokok adalah data
konsumsi kopi di indonesia. Data International
Coffee Organization (ICO) menunjukkan bahwa konsumsi kopi
Indonesia pada periode 2000-2016 mengalami tren kenaikan. Pada 2000, konsumsi
kopi Indonesia baru mencapai 1,68 juta bags (bungkus) @60 kg, namun pada 2016
telah mencapai 4,6 juta bags @60 kg, atau melonjak lebih dari 174 persen.
Bahkan sejak 2011, konsumsi kopi selalu mengalami pertumbuhan hingga 2016.
Indonesia merupakan salah satu negara terbesar penghasil dan pengekspor
komoditas kopi dunia. Produksi kopi Indonesia mencapai 6,56 juta bags @60 kg,
berada di peringkat empat dunia di bawah Brasil, Vietnam, Columbia. Sementara
ekspor Indonesia sebesar 5,4 juta bags @60 kg dan berada di urutan lima di
bawah Brasil, Vietnam, Columbia, dan Honduras. Konsumsi rokok dan kopi terdata
sangat besar di indonesia, walaupun banyak data yang memberitahukan bahwa kedua
barang konsumsi tersebut berbahaya untuk jangka panjang. Kesimpulannya adalah
perokok dan orang yang mengkonsumsi kopi sangat identik bahkan sulit
dipisahkan.
Kata Kunci: kopi, perokok, naive,
bayesian, data.
1.
PENDAHULUAN
Kopi adalah
minuman hasil seduhan biji kopi yang telah disangrai dan dihaluskan
menjadi bubuk. Kopi merupakan salah satu komoditas di dunia yang
dibudidayakan lebih dari 50 negara. Dua varietas pohon
kopi yang dikenal secara umum yaitu Kopi Robusta (Coffea canephora) dan
Kopi Arabika (Coffea arabica).Pemrosesan kopi sebelum dapat diminum
melalui proses panjang yaitu dari pemanenan biji kopi yang telah matang baik
dengan cara mesin maupun dengan tangan kemudian dilakukan pemrosesan biji
kopi dan pengeringan sebelum menjadi kopi gelondong. Proses selanjutnya yaitu
penyangraian dengan tingkat derajat yang bervariasi. Setelah penyangraian biji
kopi digiling atau dihaluskan menjadi bubuk kopi sebelum kopi dapat diminum.
Rokok adalah silinder dari kertas
berukuran panjang antara 70 hingga 120 mm (bervariasi
tergantung negara) dengan diameter sekitar 10 mm yang berisi
daun-daun tembakau yang
telah dicacah. Rokok dibakar pada salah satu ujungnya dan dibiarkan membara
agar asapnya dapat dihirup lewat mulut pada ujung yang lainnya. Rokok biasanya
dijual dalam bungkusan berbentuk kotak atau kemasan kertas yang
dapat dimasukkan dengan mudah ke dalam kantong. Sejak beberapa tahun terakhir,
bungkusan-bungkusan tersebut juga umumnya disertai pesan kesehatan yang
memperingatkan perokok akan bahaya kesehatan yang dapat ditimbulkan dari
merokok, misalnya kanker paru-paru atau serangan
jantung (walaupun pada kenyataannya pesan tersebut sering
diabaikan).Untuk mengklasifikasikan banyak data tersebut menggunakan metode pada artifical intelligent yaitu naive bayesian.
Metode naive bayesian adalah salah satu metode klasifikasi dan percabangan
dari artifical intellegence, kegiatan-kegiatan tersebut akan di bentuk suatu
Ranking yaitu Favorit dan Tidak Favorit, sehingga
mahasiswa dan masyarakat dapat mengetahui kegiatan apa sajakah yang ada di
fakultas TIK, dengan kriteria di bawah ini program studi,
jenis kegiatan, hasil kegiatan, dan ranking. Dengan di latar belakangi tersebut
peneliti akan membuat perhitungan klasifikasi program studi mana sajakah yang
favorit dan tidak favorit.
1.1.
Data Mining
Data mining yang di kenal dengan
nama pattern recognition adalah
metode pengolahan untuk menemukan suatu pola yang tersembunyi untuk dapat di
olah menjadi pengetahuan dan ilmu pengetahuan baru dan informasi dari data dan
hasil untuk keputusan di masa depan.
Data mining juga dapat di sebut
sebagai sistem pengolahan data yang sangat besar, yang memberikan peranan dalam
beberapa bidang di dunia yaitu bidang keuangan, industri, transportasi, cuaca, dan
teknologi. Dalam data mining juga terdapat metode metode yang daat di gunakan
anatra lain metode klasifikasi, clustering,
regresi, seleksi variabel, dan market bisnis. Data mining dapat di
artikan sebagai data dalam jumlah besar yang di simpan dalam suatu database, data warehouse untuk menyimpan dapat
sehingga dapat menemukan pola. Ada beberapa teknik dalam data mining antara
lain data analisis, signal proccesing, neural network dan
pengenalan pola.
1.2.
Metode Klasifikasi Naive Bayesian
Naïve
Bayes adalah suatu metode klasifikasi
dalam data mining dengan menggunakan metode
probabilitas dan statistik sesuai dengan di kemukakan oleh ilmuwan inggris
bernama Thomas Bayes. Kemudian Menurut Olson: 2008 : p
102 menjelaskan bahwa Naïve Bayes
merupakan suatu kelas keputusan, dengan menggunakan perhitingan probabilitas
matematika dengan syarat bahwa nilai keputusan adalah benar, berdasarkan
informasi obyek.
Sedangkan The Naïve
Bayesian classifier, atau Simple
Bayesian Classifier menurut Han, Kamber 2011 : p3 : 51 yaitu :
a)
Variabel D merupakan suatu set tuple
dan label yang berkait dengan kelas, kemudian setiap tuple mewakili vektor atribut n dan dimensi X = (x1, x2, ..., xn),
yang menggambarkan pengukuran n pada tuple
dari atribut n, masing masing adalah A1, A2, ..., An.
b) Kelas
M, C1, C2,.., Cm. Di berikan suatu tuple
X, untuk klasifikasi prediksi X yang akan menjadi kelompok memiliki
probabilitas posterior tertinggi, kondisi tersebut di sebutkan pada X. Artinya
adalah sebagai berikut klasifikasi Naïve
Bayes memprediksi bahwa X tuple memiliki kelas Ci. Rumus dapat di sebutkan
pada gambar di bawah ini.
P(Ci|X) > P(Cj|X) For 1 ≤ j ≤ m,
j ≠ i
Rumus Classifier Naïve Bayesian
Sumber: Han, Kamber :2011: p351
Keterangan
|
||||
1.3.
Kerangka Pemikiran
Kerangka pemikiran merupakan garis besar
dari langkah – langkah penelitian yang sedang dilakukan, kerangka pemikiran
dijadikan acuan untuk melakukan tahap – tahap yang sedang dilakukan dalam
penelitian.
Gambar 1. Flow Chart Kerangka Pemikiran
2. METODOLOGI PENELITIAN
Pada bagian ini akan membahas mengenai jenis data dan metode
pengumpulan data yang di gunakan.
2.1 Jenis Data
Jenis
data yang digunakan dalam penelitian ini yaitu:
a)
Data primer, yaitu data yang
diperoleh secara langsung dari penelitian bidang kesehatan bahaya kopi dan
rokok
b) Data
sekunder, yaitu data yang diperoleh dari literature, buku referensi, maupun
browsing internet.
2.2 Metode
Pengumpulan Data
Metode
pengumpulan data yang dilakukan dalam penelitian ini adalah:
a)
Observasi dan Wawancara :
Pengumpulan data melalui pengamatan secara langsung dengan lingkungan
masyarakat konsumer kopi dan perokok
b) Studi
Pustaka : Mengumpulkan literatur pendukung penelitian, baik dari buku referensi
ataupun browsing dari internet.
3. HASIL DAN PEMBAHASAN
3.1 Penentuan
Kriteria
Berikut ini adalah kriteria dalam menentukan hasil data
berdasarkan pekerjaan , umur , aktivitas olahraga , menggunakan metode
klasifikasi : Naive Bayesian berikut
ini :
a)
Pekerjaan : Belum bekerja , mekanik, pelajar mahasiswa,
wiraswasta, pegawai negeri sipil, pengacara, dan sopir
b) Status
pernikahan : belum menikah dan sudah menikah.
c)
Rentang umur : 22 hingga 29 tahun
d) Aktivitas
olahraga : tidak, jarang, sering
e)
Apakah perokok : ya , tidak
f)
Suka mengkonsumsi kopi : tidak suka,
suka
3.2 Analisa
Perhitungan Metode Naive Bayesian
Berikut ini adalah data konsumer
kopi dengan bidang pekerjaan, umur, aktivitas olahraga, status pernikahan dan
apakah perokok.
No
|
Pekerjaan
|
Status pernikahan
|
Umur
|
Aktivitas olahraga
|
Apakah perokok
|
mengkonsumsi kopi
|
1
|
Belum / Tidak Bekerja
|
Belum
|
22
|
Tidak
|
Tidak
|
tidak suka
|
2
|
Mekanik
|
Sudah
|
25
|
Jarang
|
Ya
|
suka
|
3
|
Pelajar / Mahasiswa
|
Belum
|
22
|
Sering
|
Ya
|
suka
|
4
|
Wiraswasta
|
Belum
|
27
|
Tidak
|
Ya
|
tidak suka
|
5
|
Pegawai Negeri Sipil
|
Sudah
|
27
|
Jarang
|
Tidak
|
tidak suka
|
6
|
Pengacara
|
Sudah
|
29
|
Sering
|
Tidak
|
tidak suka
|
7
|
Sopir
|
Belum
|
28
|
Tidak
|
Ya
|
suka
|
8
|
Belum / Tidak Bekerja
|
Belum
|
22
|
Jarang
|
Ya
|
suka
|
9
|
Mekanik
|
Sudah
|
24
|
Sering
|
Tidak
|
Tidak suka
|
10
|
Pelajar / Mahasiswa
|
Belum
|
24
|
Tidak
|
Ya
|
suka
|
11
|
Wiraswasta
|
Sudah
|
28
|
Jarang
|
Ya
|
suka
|
12
|
Pegawai Negeri Sipil
|
Sudah
|
26
|
Sering
|
Tidak
|
tidak suka
|
13
|
Pengacara
|
Sudah
|
26
|
Tidak
|
Ya
|
suka
|
14
|
Sopir
|
Belum
|
24
|
Jarang
|
Tidak
|
suka
|
15
|
Belum / Tidak Bekerja
|
Belum
|
22
|
Sering
|
Ya
|
suka
|
16
|
Mekanik
|
Sudah
|
23
|
Tidak
|
Tidak
|
tidak suka
|
17
|
Pelajar / Mahasiswa
|
Belum
|
23
|
Jarang
|
Ya
|
suka
|
18
|
Wiraswasta
|
Sudah
|
27
|
Sering
|
Tidak
|
tidak suka
|
19
|
Pegawai Negeri Sipil
|
Belum
|
25
|
Tidak
|
Ya
|
tidak suka
|
20
|
Pengacara
|
Sudah
|
29
|
Jarang
|
Ya
|
suka
|
21
|
Sopir
|
Sudah
|
28
|
Sering
|
Tidak
|
tidak suka
|
22
|
Belum / Tidak Bekerja
|
Belum
|
22
|
Tidak
|
Ya
|
suka
|
23
|
Mekanik
|
Sudah
|
27
|
Jarang
|
Ya
|
suka
|
24
|
Pelajar / Mahasiswa
|
Belum
|
24
|
Tidak
|
Tidak
|
tidak suka
|
25
|
Wiraswasta
|
Sudah
|
27
|
Sering
|
Tidak
|
tidak suka
|
26
|
Pegawai Negeri Sipil
|
Sudah
|
25
|
Sering
|
Tidak
|
suka
|
27
|
Pengacara
|
Belum
|
24
|
Sering
|
Tidak
|
tidak suka
|
28
|
Sopir
|
Sudah
|
29
|
Jarang
|
Tidak
|
tidak suka
|
29
|
Belum / Tidak Bekerja
|
Belum
|
22
|
Tidak
|
Ya
|
suka
|
30
|
Mekanik
|
Sudah
|
25
|
Jarang
|
Tidak
|
tidak suka
|
Apabila berkerja sebagai Wiraswasta sudah menikah ,sering berolahraga
dan tidak perokok menyukai kopi ??
No
|
Pekerjaan
|
Status pernikahan
|
Umur
|
Aktivitas olahraga
|
Apakah perokok
|
mengkonsumsi kopi
|
31
|
Wiraswasta
|
sudah
|
26
|
Sering
|
Tidak
|
???
|
Ø
Tahap 1 menghitung jumlah class
Mengkonsumsi kopi
P(Y|suka)
= 15/30
P(T|tidak
suka) = 15/30
Ø
Tahap 2
P(X1
= Wiraswasta|Y=suka) =1/15, P(X1 = Wiraswasta|T=tidak) = 3/15
P(X2
= Sudah menikah|Y=suka) = 5/15, P(X2 = Sudah menikah|T=tidak ) = 10/15
P(X3
= Sering|Y=suka) = 3/15, P(X3 = Sering|T=tidak ) = 7/15
P(X4
= tidak|Y = suka ) = 2/15, P(X4 = tidak|T = tidak ) = 13/15
Ø
Tahap 3
P(X1
=Wiraswasta,X2=sudah menikah,X3=sering,X4=tidak | Y=suka )
=
P(X1 = Wiraswasta|Y=suka). P(X2 = Sudah menikah|Y=suka). P(X3=Sering|Y=suka). P(X4
= tidak|Y = suka )
=
(1/15).(5/15).(3/15).(2/15)
=
0,06 x 0,33 x 0,2 x 0,13
=
0,000515
P(X1
=Wiraswasta,X2=sudah menikah,X3=sering,X4=tidak | T=tidak suka )
=
P(X1 = Wiraswasta| T=tidak suka). P(X2 = Sudah menikah| T=tidak suka). P(X3=Sering|
T=tidak suka). P(X4 = tidak| T=tidak suka)
=
(3/15).(10/15).(7/15).(13/15)
=
0,2 x 0,66 x 0,46 x 0,86
=0,523
Ø
Tahap 4
P(X1
=Wiraswasta,X2=sudah menikah,X3=sering,X4=tidak | Y=suka ) <
P(X1
=Wiraswasta,X2=sudah menikah,X3=sering,X4=tidak | T=tidak suka )
=
0,000515 < 0,523
=
Tidak suka
No
|
Pekerjaan
|
Status pernikahan
|
Umur
|
Aktivitas olahraga
|
Apakah perokok
|
mengkonsumsi kopi
|
31
|
Wiraswasta
|
sudah
|
26
|
Sering
|
Tidak
|
Tidak suka
|
4. Kesimpulan
Dapat
di simpulkan bahwa klasifikasi Naïve Bayesian dapat digunakan untuk memprediksi
ketergantungan perokok dengan kopi, tapi tidak memiliki akurasi ketepatan yang
tinggi karena hanya menggunakan cara perhitungan manual dari hasil rata-rata.
Sehingga output yang dihasilkan pun tidak maksimal.
Untuk
saran pada penelitian ini dapat dikembangkan dalam suatu aplikasi lain dan
dikembangkan dengan metode algoritma klasifikasi lainya.
DAFTAR PUSTAKA
[1] Meilani, B.
D., & Susanti, N. (2014). Aplikasi Data Mining Untuk Menghasilkan Pola
Kelulusan Siswa Dengan Metode Naive Bayes. Jurnal LINK , 21 (2), 1-6.
[2] Andi Prastowo.”Metode Penelitian Kualitatif dalam
Perspektif Rancangan Penelitian”.2012
[3] Arsyad,
Azhar.”Media Pembelajaran. cetakan ke-15”.Jakarta:Rajawalli
Pers”.2011
[4] Zhang, Harry,
and Shengli Sheng. "Learning
weighted naive Bayes with accurate ranking”. ICDM 1-4 Nov 2004 : Fourth
IEEE International Conference : 567-570 .
[5] Arhami, Muhammad,
2005, Konsep Dasar Sistem Pakar,
Andi, Yogyakarta.
[6] Nurani, A.,
Susanto, B., & Proboyekti, U. (2007). Implementasi Naive Bayes Classifier
Pada Program Bantu Penentuan Buku Referensi Mata Kuliah. Jurnal Informatika , 3
(2), 32-36.
[7] Hermawati, F.
A. (2013). Data Mining. Yogyakarta: Penerbit Andi.
Langganan:
Postingan (Atom)