Perbandingan Algoritma K-Means dan DBSCAN dalam Segmentasi Profil Risiko dan Keuntungan Saham di Bursa Efek Indonesia: Comparison of K-Means and DBSCAN Algorithms in Segmenting Risk and Profit Profiles of Stocks on the Indonesia Stock Exchange

Tingginya dinamika fluktuasi harga saham harian menuntut investor untuk memiliki strategi portofolio yang presisi. Algoritma clustering tradisional seperti K-Means seringkali rentan dan bias terhadap data pencilan (outliers). Penelitian ini membandingkan kinerja algoritma K-Means dan DBSCAN dalam menyegmentasikan profil risiko dan keuntungan saham indeks IDX30. Metodologi yang digunakan berbasis Knowledge Discovery in Databases (KDD) dengan mengekstraksi fitur ekspektasi keuntungan dan volatilitas harian. Evaluasi arsitektur klaster diukur secara komparatif menggunakan Silhouette Score, Davies-Bouldin Index (DBI) dan Dunn Index. Hasil penelitian membuktikan bahwa DBSCAN jauh lebih unggul dibandingkan K-Means. DBSCAN memperoleh Silhouette Score tertinggi sebesar 0.518, DBI terendah sebesar 0.481 dan Dunn Index tertinggi sebesar 0.245, sedangkan K-Means hanya mencapai 0.391, 0.810, dan 0.200. DBSCAN terbukti secara efektif memisahkan lima saham anomali yang sangat spekulatif sebagai noise (saham gorengan), serta mengelompokkan sisa emiten secara akurat ke dalam klaster moderat dan agresif tanpa tumpang tindih