<![CDATA[Perkembangan industri reksa dana di Indonesia mendorong kebutuhan akan metode evaluasi kinerja dan rekomendasi investasi yang objektif dan berbasis data. Penelitian bertujuan untuk mengintegrasikan metode machine learning Random Forest dan sistem pendukung keputusan Evaluation Based on Distance from Average Solution (EDAS) dalam menilai kinerja serta memberikan rekomendasi investasi reksa dana pasar uang. Data yang digunakan berupa data historis 29 produk reksa dana pasar uang yang diperoleh dari platform investasi Bibit. Random Forest digunakan untuk mengklasifikasikan kinerja reksa dana ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi, berdasarkan indikator return, risiko, dan dana kelolaan. Selanjutnya, hasil klasifikasi tersebut, diintegrasikan dengan metode EDAS untuk menentukan peringkat dan tingkat rekomendasi investasi berdasarkan enam kriteria utama. Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa klasifikasi yang sangat baik dengan nilai akurasi, precision, recall, dan F1-score sebesar 1,00 serta rata-rata akurasi 5-fold cross validation sebesar 93,33%. Metode EDAS berhasil menghasilkan rekomendasi investasi yang konsisten dengan hasil penilaian kinerja. Dengan demikian, integrasi Random Forest dan EDAS terbukti efektif sebagai pendekatan terpadu dalam penilaian kinerja dan rekomendasi investasi reksa dana pasar uang berbasis data.]]>
Copyrights © 2026
