Penilaian Kinerja dan Rekomendasi Reksa Dana Pasar Uang Menggunakan Random Forest-EDAS
DOI:
https://doi.org/10.33795/jip.v12i3.9506Keywords:
random Forest, EDAS, reksa dana pasar uang, penilaian kinerja, sistem pendukung keputusanAbstract
Perkembangan industri reksa dana di Indonesia mendorong kebutuhan akan metode evaluasi kinerja dan rekomendasi investasi yang objektif dan berbasis data. Penelitian bertujuan untuk mengintegrasikan metode machine learning Random Forest dan sistem pendukung keputusan Evaluation Based on Distance from Average Solution (EDAS) dalam menilai kinerja serta memberikan rekomendasi investasi reksa dana pasar uang. Data yang digunakan berupa data historis 29 produk reksa dana pasar uang yang diperoleh dari platform investasi Bibit. Random Forest digunakan untuk mengklasifikasikan kinerja reksa dana ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi, berdasarkan indikator return, risiko, dan dana kelolaan. Selanjutnya, hasil klasifikasi tersebut, diintegrasikan dengan metode EDAS untuk menentukan peringkat dan tingkat rekomendasi investasi berdasarkan enam kriteria utama. Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa klasifikasi yang sangat baik dengan nilai akurasi, precision, recall, dan F1-score sebesar 1,00 serta rata-rata akurasi 5-fold cross validation sebesar 93,33%. Metode EDAS berhasil menghasilkan rekomendasi investasi yang konsisten dengan hasil penilaian kinerja. Dengan demikian, integrasi Random Forest dan EDAS terbukti efektif sebagai pendekatan terpadu dalam penilaian kinerja dan rekomendasi investasi reksa dana pasar uang berbasis data.
Downloads
References
Abu Harasi, A., & Faujan Rozi, A. (2024). Sistem Pendukung Keputusan Penentuan Calon Penerima Bantuan Program Pedagang Menggunakan Metode Evaluation Based On Distance From Average Solution. Jurnal Information System & Artificial Intellince, 4(2), 144–152.
Ariadi, H., & Zuliarso, E. (2024). Sistem Rekomendasi Pemilihan Mobil Menggunakan Metode Edas. Jurnal Teknik Informatika Unika ST. Thomas, 09(01), 59–66.
Azmi, A. F., & Voutama, A. (2024). Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix. KOMPUTA : Jurnal Ilmiah Komputer Dan Informatika, 13(1), 111–119.
Fauzi, A., Maulidah, N., Supriyadi, R., Nalatissifa, H., & Diantika, S. (2025). Prediksi Harga Properti Di Indonesia Menggunakan Algoritma Random Forest. Journal of Artificial Intelligence and Digital Business, 4(1), 43–49.
Gunawan, R. D., Ariany, F., & Novriyadi. (2023). Implementasi Metode SAW Dalam Sistem Pendukung Keputusan Pemilihan Plano Kertas. Journal of Artificial Intelligence and Technology Information (JAITI), 1(1), 29–38. https://doi.org/https://doi.org/10.58602/jaiti.v1i1.23
Hadi, M. F., Hairani, H., Wijaya, H., & Vidiasari, H. (2025). Penerapan SMOTE dan Random Forest dalam Klasifikasi Tren Harga Saham Harian: Studi Kasus Saham PT Telkom Indonesia Tbk (TLKM). Seminar Nasional CORISIONDO, 79–83. https://doi.org/https://doi.org/10.30812/corisindo.v1.5267
Helmi Damayanti Daeli, N. (2024). Sistem Pendukung Keputusan Pemilihan Perawat Terbaik Menggunakan Kombinasi Metode AHP-EDAS. Jurnal Ilmu Komputer Dan Teknologi Informasi, 02(03), 20–29. https://doi.org/10.70404/jikteks.v2i03.109
Isnaini Arumnisaa, R., & Wahyu Wijayanto, A. (2023). Perbandingan Metode Ensemble Learning: Random Forest, Support Vector Machine, AdaBoost pada Klasifikasi Indeks Pembangunan Manusia (IPM). Jurnal Sistem Informasi, 12(1), 206–218.
Kadori, I., Meyasha, I., Virgiyanti, & Anggraeni, N. (2025). Implementasi Metode Edas Dalam Memilih Investasi Di Sektor Pertanian. INFOKOM: Jurnal Informasi Dan Teknologi, 18(1), 26–32. https://jurnal.stikompoltekcirebon.ac.id/index.php/file_jurnal/article/view/144
Otoritas Jasa Keuangan. (2022). SIARAN PERS Survei Nasional Literasi Dan Inklusi Keuangan Tahun 2022. Ojk.Go.Id. https://ojk.go.id/id/berita-dan-kegiatan/siaran-pers/Pages/Survei-Nasional-Literasi-dan-Inklusi-Keuangan-Tahun-2022.aspx?utm_source=chatgpt.com
Pradini, A. Y. (2023). Risk and Return Money Saving di Reksadana dan Bank Digital. Journal of Indonesian Sharia Economics, 2(2), 209–222. https://doi.org/https://doi.org/10.35878/jiose.v2i2.899
Rangga Aditya Tarigan, L., & Dahlan. (2024). Optimalisasi Fitur Dengan Forward Selection Pada Estimasi Tingkat Penyakit Paru-Paru Menggunakan Algoritma Klasifikasi Random Forest. Jurnal Mahasiswa Teknik Informatika, 8(5), 10341–10348.
Sabila, P. C., & Alasi, T. S. (2023). Metode EDAS untuk Penerimaan Pegawai Baru berbasis Web dan Real Time. Media Informasi Analisa Dan Sistem, 8(1), 133–139.
Sitompul, S. C., Nadza, R., Sihotang, F., Syahputra, T., & Budiman, A. (2025). Sistem Pendukung Keputusan Pemilihan Hotel Terbaik Di Kota Medan Menggunakan Metode EDAS. Jurnal Ilmu Komputer Dan Sistem Informasi, 4(1), 68–77.
Tamimi, K., & Prasetyaningrum, P. T. (2021). Sistem Pendukung Keputusan Rekomendasi Makanan Bernutrisi Bagi Penderita Gizi Buruk Menggunakan Metode Edas. Jurnal Information System & Artificial Intellince, 2(1), 22–30.
Usman, B., Sari, W., & Amalia, W. (2023). Perilaku Investor Individu Terhadap Pengambilan Keputusan Investasi. Journal of Management, 4(2), 224–234. https://doi.org/https://doi.org/10.37010/jdc.v4i2
Widiantoro, R., Astuti, I. P., & Buntoro, G. A. (2022). Sistem Pendukung Keputusan Rekomendasi Reksa Dana Obligasi Menggunakan Metode SAW (Simple Additive Weighting). Fountain of Informatics Journal, 7(2), 64–72. https://doi.org/http://dx.doi.org/10.21111/fij.v7i2.8339
Yaman, N. I., Juwita, A. R., Arum, S., Lestari, P., & Faisal, S. (2024). Perbandingan Kinerja Algoritma Decision Tree dan Random Forest untuk Klasifikasi Nutrisi pada Makanan Cepat Saji. Jurnal Algoritma, 21(2), 184–195. https://doi.org/10.33364/algoritma/v.21-2.1649
