Peramalan

                                                            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).

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.

Keuntungan dari jaringan syaraf tiruan meliputi :

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) :

2.2.2.6 Prosedur Pengujian Jaringan Syaraf Tiruan Backpropagation

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.