Klasifikasi Rating Obligasi Korporasi di Indonesia Menggunakan Algoritma Random Forest dan Regresi Logistik Ordinal

Meliala, Arif Saputra (2024) Klasifikasi Rating Obligasi Korporasi di Indonesia Menggunakan Algoritma Random Forest dan Regresi Logistik Ordinal. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2043201039-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Obligasi adalah bentuk surat utang dalam bidang keuangan yang diterbitkan oleh entitas seperti perusahaan atau instansi pemerintah untuk mengumpulkan dana dari investor. Seperti halnya investasi pada umumnya, investasi dalam obligasi juga melibatkan risiko, termasuk risiko gagal bayar jika penerbit gagal memenuhi kewajiban pembayarannya kepada investor. Untuk meminimalisir risiko tersebut, rating obligasi digunakan sebagai ukuran seberapa baik perusahaan dalam membayar kupon atau bunga obligasi kepada investor. Tujuan penelitian ini adalah membuat model yang efektif sebagai model yang digunakan untuk memprediksi rating obligasi korporasi di Indonesia dengan membandingkan metode algoritma machine learning Random Forest dan metode statistik konvensional regresi logistik ordinal. Jumlah observasi yang digunakan pada penelitian ini sebanyak 122 perusahaan. Kemudian, variabel yang digunakan dalam penelitian ini adalah Return on Asset, Return on Equity, Current Ratio, Cash Ratio, Debt to Asset Ratio, Debt to Equity Ratio, Ukuran Perusahaan, Total Utang Obligasi, dan jenis perusahaan. Hasil analisis menunjukkan bahwa mayoritas perusahaan memiliki rating obligasi A dan perusahaan non finansial adalah perusahaan yang lebih banyak digunakan dalam penelitian ini. Rasio-rasio keuangan perusahaan juga menunjukkan perbedaan karakteristik pada masing-masing rating obligasi perusahaan. Hasil pemilihan model terbaik berdasarkan akurasi dan F-1 Score menunjukkan bahwa model Random Forest terpilih sebagai model terbaik dalam melakukan prediksi dan klasifikasi rating obligasi korporasi di Indonesia.
============================================================
Bonds are a form of debt securities in finance issued by entities such as companies or government agencies to raise funds from investors. Like any investment, investing in bonds also involves risks, including the risk of default if the issuer fails to meet its payment obligations to investors. To minimize this risk, bond ratings are used as a measure of how well a company pays coupons or bond interest to investors. The purpose of this study is to create an effective model as a model used to predict the rating of corporate bonds in Indonesia by comparing the Random Forest machine learning algorithm method and conventional statistical methods of ordinal logistic regression. The number of observations used in this study was 122 companies. Then, the variables used in this study are Return on Assets, Return on Equity, Current Ratio, Cash Ratio, Debt to Asset Ratio, Debt to Equity Ratio, Company Size, Total Bond Debt, and company type. The results of the analysis show that the majority of companies have an A bond rating and non-financial companies are the companies that are more widely used in this study. The company's financial ratios also show differences in the characteristics of each company's bond rating. The results of selecting the best model based on accuracy and F-1 Score show that the Random Forest model was chosen as the best model in predicting and classifying corporate bond ratings in Indonesia.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Obligasi, Random Forest, Rating Obligasi, Regresi Logistik Ordinal, Bonds, Random Forest, Bond Rating, Logistic Regression
Subjects:	H Social Sciences > HA Statistics > HA31.3 Regression. Correlation Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Arif Saputra Meliala
Date Deposited:	04 Aug 2024 12:58
Last Modified:	04 Aug 2024 12:58
URI:	http://repository.its.ac.id/id/eprint/110383

Actions (login required)

View Item