Implementasi Algoritma K-Mean Clustering dan Mean-Variance Efficient Portfolio One Constrain dalam Optimasi Bobot Portofolio Saham

Abstract

Klasterisasi (Clustering) merupakan teknik yang digunakan dalam analisis data untuk mengelompokkan sekumpulan objek berdasarkan karakteristik tertentu, sedemikian hingga objek dalam satu kelompok lebih mirip satu sama lain dibandingkan dengan objek dalam kelompok yang lain. Metode k-means merupakan metode klasterisasi berbasis jarak yang populer dalam data mining. Salah satu contoh penerapan algoritma k-means adalah memilih saham pada klaster tertentu dalam proses membangun portofolio. Berinvestasi saham merupakan kegiatan yang memiliki risiko tinggi, sehingga penentuan portofolio optimal perlu dilakukan agar tujuan investasi dapat tercapai. Membangun bobot portofolio optimal dapat dilakukan dengan metode mean-variance efficient portofolio one constrain. Metode ini berguna dalam meminimalisir risiko pada tingkat profit yang diharapkan. Penelitian ini bertujuan untuk menciptakan portofolio optimal dengan menggabungkan metode k-means clustering dan metode mean-variance efficient portofolio one constrain. Hasil penelitian diperoleh dari 50 saham dibagi menjadi tiga klaster berbeda. Masing-masing klaster dengan ekspektasi return tertinggi dimasukan ke dalam portofolio diantaranya adalah BYAN, GOTO, dan GGRM.  Hasil analisis diperoleh bobot portofolio saham BYAN, GOTO, dan GGRM masing-masing sebesar 0,556693; 0,219429; dan 0,223879. Nilai ekspektasi return portofolio diperoleh sebesar 0,003589 yang berarti potensi rata-rata keuntungan yang diharapkan investor dari portofolio ini sebesar 0,3589%. Resiko yang diterima investor dalam portofolio tersebut relatif rendah dan stabil, yaitu sebesar 1,549%.