K-Means Clustering untuk Mengelompokkan Saham LQ 45 berdasarkan Expected Return, Volatilitas Saham, dan Value at Risk

Kegiatan investasi sangatlah umum dan diminati masyarakat untuk memperoleh keuntungan dari sejumlah dividen atau kenaikan harga saham di masa yang akan datang. Namun, investor tidak akan selalu mengalami keuntungan, karena kegiatan investasi memiliki unsur ketidakpastian dan berbagai risiko. Analisis dan pertimbangan pun perlu dilakukan sebelum berinvestasi pada emiten tertentu, untuk mengetahui apakah besar keuntungan, risiko, dan kemampuan berinvestasi yang dimiliki untuk menanggung risiko adalah sepadan. Risiko dapat diukur dengan Value at Risk (VaR) untuk mengetahui kerugian maksimum yang mungkin terjadi. Keuntungan dapat diukur dengan expected return, dan volatilitas saham dapat digunakan untuk mengestimasikan risiko serta keuntungan yang akan diperoleh dalam kurun waktu tertentu. Kemudian, K-Means Clustering dapat digunakan untuk menentukan kelompok emiten pada indeks LQ 45 yang layak diinvestasikan, berdasarkan expected return, volatilitas saham, dan Value at Risk (VaR). Namun, terdapat korelasi yang sangat kuat antara volatilitas saham dan Value at Risk (VaR). Sehingga, selain Euclidean Distance untuk perhitungan jarak pada K-Means, penelitian ini akan melibatkan Mahalanobis Distance dan Principal Component Analysis (PCA) yang dapat mengatasi adanya korelasi antar variabel. Penelitian ini ditujukan untuk menentukan jumlah cluster, mengetahui karakteristik dari cluster yang terbentuk, serta membandingkan performa K-Means Clustering saat perhitungan jarak menggunakan metode Euclidean Distance, Mahalanobis Distance, dan menerapkan Principal Component Analysis (PCA) sebelum clustering. Hasilnya, jumlah cluster yang optimal adalah sebanyak tiga, karakteristik antar clusters yang diperoleh kurang berbeda atau kurang heterogen, dan performa K-Means Clustering dengan penerapan PCA lebih baik dibandingkan dengan Euclidean Distance saja dan Mahalanobis Distance. Namun, K-Means Clustering dengan Euclidean Distance saja lebih baik dibandingkan dengan Mahalanobis Distance.