Prediksi Sektor Industri Saham BEI dengan Metode Linear Discriminant Analysis berdasarkan laporan keuangan
Abstract
Pengelompokan perusahaan berdasarkan sektor industri
merupakan aspek penting dalam analisis investasi, namun
klasifikasi yang dilakukan secara manual di Bursa Efek
Indonesia (BEI) masih kurang optimal dalam memanfaatkan
data laporan keuangan sebagai dasar prediksi. Oleh karena
itu, penelitian ini mengembangkan model prediksi sektor
industri berdasarkan laporan keuangan menggunakan
metode Linear Discriminant Analysis (LDA) dan
membandingkannya dengan Extreme Gradient Boosting
(XGBoost). Data laporan keuangan perusahaan yang
terdaftar di BEI dalam rentang 2010–2022 digunakan sebagai
dataset utama, dengan proses pre-processing, normalisasi,
dan oversampling menggunakan Borderline-SMOTE untuk
mengatasi ketidakseimbangan kelas. Evaluasi model
dilakukan dengan metrik accuracy, precision, recall, dan F1-
score, serta dilakukan analisis fitur menggunakan
Permutation Importance untuk menentukan variabel yang
paling berpengaruh. Hasil penelitian menunjukkan bahwa
metode LDA memiliki akurasi 27,51%, sedangkan XGBoost
mencapai 63,87%, yang menunjukkan bahwa pendekatan
non-linear XGBoost lebih unggul dalam mengklasifikasikan
sektor industri berdasarkan laporan keuangan. Selain itu,
fitur total aset, total pendapatan, dan inventaris ditemukan
sebagai variabel paling berpengaruh dalam prediksi.
Penelitian ini memberikan kontribusi dalam pengembangan
metode otomatis untuk klasifikasi sektor industri, yang dapat
digunakan oleh investor dan analis dalam mendukung
pengambilan keputusan investasi yang lebih akurat.
Kata Kunci: bursa efek indonesia, linear discriminant analysis, xgboost, laporan keuangan, prediksi sektor industri
References
earning in accounting research,” British Accounting
Review, vol. 54, no. 5, p. 101096, 2022, doi:
1016/j.bar.2022.101096.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable
Tree Boosting System. Proceedings of the 22nd ACM
SIGKDD International Conference on Knowledge
Discovery and Data Mining, 785-794.
Li, X., Liu, B., & Ding, Y. (2021). Bankruptcy
Prediction Using XGBoost and Financial Ratios: A
Comparative Study. Financial Data Science Journal,
(2), 130-145.
Anggraeni, R. D., Rahayu, S. M., & Topowijono.
(2014). Penerapan Model Multiple Discriminant
Analysis untuk Memprediksi Financial Distress (Studi
pada Sektor Industri Barang Konsumsi yang Listing di
Bursa Efek Indonesia Periode 2009-2012). Jurnal
Administrasi Bisnis (JAB), 8(2). Retrieved from
https://administrasibisnis.studentjournal.ub.ac.id
Boedeker, P., & Kearns, N. T. (2019). Linear
Discriminant Analysis for Prediction of Group
Membership: A User-Friendly Primer. Advances in
Methods and Practices in Psychological Science, 2(3),
–263.
https://doi.org/10.1177/2515245919849378
Noviyanti Santoso dan Wahyu Wibowo, “Financial
Distress Prediction using Linear Discriminant Analysis
and Support Vector Machine”, 2018, Journal of Physics:
Conference Series, Volume 979, The 2nd International
Conference on Science (ICOS) 2–3 November 2017,
Makassar, Indonesia.
Nur Febrianti Bakri. (2024). Analisis Klasifikasi
Financial Distress dengan Menggunakan Metode
XGBoost. Universitas Hasanuddin.
R. Dolphin, B. Smyth, and R. Dong, “A Machine
Learning Approach to Industry Classification in
Financial Markets,” in Artificial Intelligence and
Cognitive Science, L. Longo and R. O’Reilly, Eds., Cham:
Springer Nature Switzerland, 2023, pp. 81–94.
Gischa, Serafica. Gischa, Serafica, ed. "Pengertian
Laporan Keuangan, Tujuan dan Jenisnya". Kompas.com.
Sunendar, Joeliardi (2019). Tim Sahamku, ed. Cara
Mudah Memahami Laporan Keuangan. Joeliardi
Sunendar. hlm. 17. ISBN 978-623-7231-18-9.
Hidayat, Wastam Wahyu (2018). Fabri, Fungky, ed.
Dasar-Dasar Analisa Laporan Keuangan . Ponorogo:
