Analisis Komparasi Klasifikasi Sovereign Rating Moody’s Investor Services Dengan Metode Multilayer Perceptron Dan Extreme Gradient Boosting
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Sepuluh Nopember
Author
Dzikra, Andija Rahman
Subject
HG4910 Investments
Datestamp
2023-07-06 08:58:00
Abstract :
Obligasi biasanya diterbitkan oleh sebuah perusahaan ataupun sebuah negara. Pada suatu negara, sebuah obligasi umumnya dipakai pemerintahan untuk mendanai pembelanjaan negara. Obligasi yang diterbitkan pemerintah disebut sebagai obligasi pemerintah atau government bonds. Kegagalan pembayaran pokok utang ataupun bunga yang harus dibayarkan oleh suatu negara umumnya disebut dengan kata sovereign default. Sovereign default dapat terjadi dikarenakan banyak faktor baik secara ekonomi, fiskal, politik, ataupun manajemen keuangan dan utang yang buruk dari suatu negara. Salah satu cara yang paling ringkas untuk mengetahui risiko dari sebuah obligasi merupakan dengan mengetahui credit rating dari entitas yang menerbitkan obligasi tersebut. Credit rating yang diterima oleh sebuah negara disebut juga sebagai sovereign rating. Bagi investor yang ingin berinvestasi pada suatu obligasi pemerintah, sovereign rating merupakan hal yang penting untuk diperhatikan, sehingga diperlukan suatu metode untuk melakukan klasifikasi atau prediksi terhadap sovereign rating yang ada. Pada penelitian ini, digunakan metode Multilayer Perceptron (MLP) dan Extreme Gradient Boosting (XGBoost) untuk mengetahui metode terbaik yang dapat digunakan dalam hal klasifikasi sovereign rating ke kategori high risk, medium, dan low risk, dengan rating awal yang telah diberikan melalui data sovereign rating yang diterbitkan oleh Moody?s Investor Services (Moody?s). Pada penelitian, variabel prediktor yang digunakan adalah variabel yang berhubungan dengan kekuatan ekonomi, fiskal, dan institusi serta pemerintahan dari suatu negara. Pada pemilihan model terbaik, MLP memiliki dapat memiliki accuracy 0,78, dibandingkan dengan XGBoost yang memiliki accuracy 0,74. Melalui eksplorasi data diketahui bahwa kelas yang terdapat pada dataset merupakan imbalanced, dengan kebutuhan bahwa seluruh kategori memiliki bobot yang sama, maka model XGBoost memiliki performa lebih baik dengan
Obligasi biasanya diterbitkan oleh sebuah perusahaan ataupun sebuah negara. Pada suatu negara, sebuah obligasi umumnya dipakai pemerintahan untuk mendanai pembelanjaan negara. Obligasi yang diterbitkan pemerintah disebut sebagai obligasi pemerintah atau government bonds. Kegagalan pembayaran pokok utang ataupun bunga yang harus dibayarkan oleh suatu negara umumnya disebut dengan kata sovereign default. Sovereign default dapat terjadi dikarenakan banyak faktor baik secara ekonomi, fiskal, politik, ataupun manajemen keuangan dan utang yang buruk dari suatu negara. Salah satu cara yang paling ringkas untuk mengetahui risiko dari sebuah obligasi merupakan dengan mengetahui credit rating dari entitas yang menerbitkan obligasi tersebut. Credit rating yang diterima oleh sebuah negara disebut juga sebagai sovereign rating. Bagi investor yang ingin berinvestasi pada suatu obligasi pemerintah, sovereign rating merupakan hal yang penting untuk diperhatikan, sehingga diperlukan suatu metode untuk melakukan klasifikasi atau prediksi terhadap sovereign rating yang ada. Pada penelitian ini, digunakan metode Multilayer Perceptron (MLP) dan Extreme Gradient Boosting (XGBoost) untuk mengetahui metode terbaik yang dapat digunakan dalam hal klasifikasi sovereign rating ke kategori high risk, medium, dan low risk, dengan rating awal yang telah diberikan melalui data sovereign rating yang diterbitkan oleh Moody?s Investor Services (Moody?s). Pada penelitian, variabel prediktor yang digunakan adalah variabel yang berhubungan dengan kekuatan ekonomi, fiskal, dan institusi serta pemerintahan dari suatu negara. Pada pemilihan model terbaik, MLP memiliki dapat memiliki accuracy 0,78, dibandingkan dengan XGBoost yang memiliki accuracy 0,74. Melalui eksplorasi data diketahui bahwa kelas yang terdapat pada dataset merupakan imbalanced, dengan kebutuhan bahwa seluruh kategori memiliki bobot yang sama, maka model XGBoost memiliki performa lebih baik dengan
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
