Prediksi rating reksadana berbasis algoritma decision tree pada sistem informasi reksadana

Kartika Candra Kirana, Cahya Bintang Wira Winata, Indri Astuti, Ivan reynaldi Putra

Abstract


Informasi yang terdapat pada situs reksadana pada saat ini hanya menampilkan tetang variabel reksadana saja secara umum seperti nilai NAV, RAB, Resiko, YTD, dan lainya, sehingga para investor yang masih baru dalam reksadana akan kesulitan dalam menentukan pilihan reksadaana yang akan dibeli. Oleh karena itu pada penelitian ini diusulkan prediksi rating reksadana berbasis algoritma decision tree pada sistem informasi reksadana dengan tujuan untuk menampilkan sebuah variabel rating sebagai bahan pertimbangan dan meningkatkan keakuratan dalam memberikan rating pada penelitian prediksi rating reksadana.  Algoritma yang digunakan dalam pembuatan sistem informasi prediksi rating reksadana ini adalah menggunakan algoritma decision tree dengan menggunakan variabel NAV, HILO, Resiko, dan YTD. Pengujian akurasi, spesifikasi, dan sensitivity dilakukan menggunakan data yang sudah diunduh pada website reksadana IPOTFUND. Jumlah data yang digunakan yaitu 50 data, yang terdiri dari 25 data latih dan 25 data uji. Dari hasil pengujian yang dilakukan dengan metode decision tree maka menunjukkan tingkat akurasi, spesificity, dan sensitivity sebesar 80%, 93%, dan 67%. Maka dapat disimpulkan bahwa algoritma decision tree bekerja secara akurat untuk pemberian rating reksa dana.


Keywords


Decision tree, Reksadana, Decision support system, information system

Full Text:

PDF

References


Aco, A. and Endang, A. H. (2017) ‘Analisis Bisnis E-Commerce pada Mahasiswa Universitas Islam Negeri Alauddin Makassar’, Jurnal INSYPRO (Information System and Processing), 2(1), pp. 338–351. doi: 10.24252/insypro.v2i1.3246.

Ahmed Mohamed Ahmed , Ahmet Rizaner, A. H. U. (2018) ‘A novel decision tree classification based on post-pruning with Bayes minimum risk’, PLOS. doi: https://doi.org/10.1371/journal.pone.0194168.

Alpay, T., Abawi, F. and Wermter, S. (2019) ‘Preserving activations in recurrent neural networks based on surprisal’, Neurocomputing, 342, pp. 75–82. doi: https://doi.org/10.1016/j.neucom.2018.11.092.

Ardianto, E. (2014) Metode Penelitian Public Relation Kuantitatif dan kualitatif. Bandung: Remaja Rosdakarya.

Arkeman, Yandra; Yusuf, Akhmad; Mushthofa; FitriLaxmi, Gibtha; Seminar, K. B. (2013) ‘The Formation of Optimal Portfolio of Mutual Shares Funds using Multi-Objective Genetic Algorithm’, Telkomnika, 11(3), pp. 625–636. Available at: https://search.proquest.com/openview/faa4a7e7ab440934d8bfdb2b3b8b8409/1?pq-origsite=gscholar&cbl=376296.

Dita Larasati, Bimo Setyo Yuusufa, K. C. K. (2015) ‘SISTEM PENDUKUNG KEPUTUSAN PRODUKSI BERBASIS FUZZY PADA SISTEM INFORMASI JUAL BELI MOBIL BEKAS’, TEKNO, 24(2). Available at: http://journal.um.ac.id/index.php/tekno/article/view/5165.

Eric H. Sorensen, K. L. M. and C. K. O. (2000) ‘The Decision Tree Approach to Stock Selection’, The Journal of Portfolio Management Fall, 27(1), pp. 42–52. doi: https://doi.org/10.3905/jpm.2000.319781.

FEBRIANI, S., DARMINTO and HUSAINI, A. (2014) ‘ANALISIS INVESTASI DALAM INSTRUMEN REKSADANA PADA DANA PENSIUN (Studi Pada Dana Pensiun Pupuk Kalimantan Timur Tahun 2009-2012)’, Sally Febriani, 8(1). Available at: http://administrasibisnis.studentjournal.ub.ac.id/index.php/jab/article/download/349/543.

Hereil, P. et al. (2010) Mutual Fund Ratings and Performance Persistence. Available at: http://www.thierry-roncalli.com/download/lwp-mfr.pdf.

Kristanto., N. H., L.A, A. C. and S., H. B. (2016) ‘Implemantasi K-Means Clustering untuk Pengelompokan Analisis Rasio Profitabilitas dalam Working Capital’, JUISI, 2(1), pp. 9–15. Available at: https://journal.uc.ac.id/index.php/JUISI/article/download/111/104.

Kusumadewi, S. (2003) Artificial Intelligence (Teknik dan Aplikasinya). Yogjakarta: Graha Ilmu.

Qiansheng Zhang, Jingru Zhang, Zisheng Chen, Miao Zhang, S. L. (2018) ‘A New Stock Selection Model Based on Decision Tree C5.0 Algorithm’, Journal of Investment and Management, 7(4), pp. 117–124. doi: 10.11648/j.jim.20180704.12.

Sofariah, A., Saepudin, D. and Umbara, R. F. (2016) ‘Menggunakan, Optimasi Portofolio Saham Dengan Memperhitungkan Biaya Transaksi Multi-Objective, Algoritma Genetika’, e-Proceeding of Engineering, 3(1), pp. 1156–1168. Available at: https://openlibrary.telkomuniversity.ac.id/pustaka/files/107490/jurnal_eproc/optimasi-portofolio-saham-dengan-memperhitungkan-biaya-transaksi-menggunakan-algoritma-genetika-multi-objective.pdf.

Tandio, T. and Widanaputra, A. A. G. P. (2016) ‘PENGARUH PELATIHAN PASAR MODAL, RETURN, PERSEPSI RISIKO, GENDER, DAN KEMAJUAN TEKNOLOGI PADA MINAT INVESTASI MAHASISWA’, E-Jurnal Akuntansi Universitas Udayana, 16(3), pp. 2316–2341. Available at: http://scholar.google.co.id/scholar_url?url=https://ojs.unud.ac.id/index.php/Akuntansi/article/download/21199/15415&hl=en&sa=X&scisig=AAGBfm1lgRnTtPrSD7vNCJ3_ZXH2UTbapQ&nossl=1&oi=scholarr.

Tiwari, S., Pandit, P. R. and Richhariya, P. V. (2018) ‘Predicting future trends in stock market by decision tree rough-set based hybrid system with HHMM’, International Journal of Electronics and Computer Science Engineering, 1(3), pp. 1578–1587. Available at: https://pdfs.semanticscholar.org/29a7/e1e1386db50bbb22710d63eb820f9c86ae1b.pdf.

Yusuf, A., Arkeman, Y. and Mushthofa (2012) Pembentukan Portofolio Reksadana Saham yang Optimal Menggunakan Algoritma Genetika Multi Objektif. Bogor. Available at: http://repository.ipb.ac.id/handle/123456789/61367.




DOI: http://dx.doi.org/10.17977/um034v29i2p140-151

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 TEKNO

Gedung G.4, Lantai 1
Jurusan Teknik Elektro, Fakultas Teknik
Universitas Negeri Malang
Jln. Semarang No.5 Malang, Jawa Timur

Creative Commons License TEKNO : Jurnal Teknologi Elektro dan Kejuruan licensed under a Creative Commons Attribution-ShareAlike 4.0 International License

View Tekno Stats