Komparasi Model Machine Learning dalam Klasifikasi Profitabilitas Saham LQ45 Berdasarkan Enam Indikator Fundamental (Studi Kasus : Laporan Saham Perusahaan Kategori LQ45 Tahun 2023- 2024 )

Abstract

Saham merupakan instrumen investasi populer yang menawarkan keuntungan melalui capital gain dan dividen. Indeks LQ45 menjadi acuan utama di pasar saham Indonesia karena mencakup saham berlikuiditas tinggi dan berkapitalisasi besar. Namun, tidak semua saham LQ45 selalu menguntungkan, sehingga diperlukan analisis yang efektif untuk menentukan profitabilitasnya. Analisis fundamental dengan indikator seperti Price to Earning Ratio (PER), Price to Book Value (PBV), Debt to Equity Ratio (DER), Return on Assets (ROA), Return on Equity (ROE), dan Earning Per Share (EPS) sering digunakan, tetapi proses manual cenderung memakan waktu dan rawan subjektivitas. Penelitian ini menerapkan machine learning untuk mengklasifikasikan saham LQ45 ke dalam kategori Profit Tinggi, Profit, dan Tidak Profit berdasarkan data laporan keuangan tahun 2023–2024. Algoritma yang dibandingkan adalah Random Forest dan Naive Bayes dalam proses klasifikasi ini. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dibandingkan Naïve Bayes dalam mengklasifikasikan profitabilitas saham, dengan akurasi yang lebih tinggi serta kestabilan prediksi yang lebih baik. Model ini mampu mengidentifikasi pola dalam data historis saham dan memberikan prediksi yang dapat dijadikan acuan dalam pengambilan keputusan investasi.