Implementasi Algoritma K-Mean Clustering dan Mean-Variance Efficient Portfolio One Constrain dalam Optimasi Bobot Portofolio Saham
Dublin Core
Title
Implementasi Algoritma K-Mean Clustering dan Mean-Variance Efficient Portfolio One Constrain dalam Optimasi Bobot Portofolio Saham
Subject
clustering, k-means, mean-variance, portfolio, stocks
Description
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%.
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%.
Creator
Moch. Anjas Aprihartha, Adi Prihandono
Source
https://jsi.ejournal.unsri.ac.id/index.php/jsi/article/view/236
Publisher
Universitas Sriwijaya
Date
Apr 30, 2025
Contributor
Sri Wahyuni
Rights
E-ISSN : 2355-4614
Format
PDF
Language
Indonesian
Type
Text
Files
Collection
Citation
Moch. Anjas Aprihartha, Adi Prihandono, “Implementasi Algoritma K-Mean Clustering dan Mean-Variance Efficient Portfolio One Constrain dalam Optimasi Bobot Portofolio Saham,” Repository Horizon University Indonesia, accessed February 4, 2026, https://repository.horizon.ac.id/items/show/10315.