Optimisasi Portofolio Saham Menggunakan Algoritma Grey Wolf Optimization Berdasarkan Klaster Hierarki Agglomerative dan K-Means++

Adhitya Ghiffari Pramudito, Prof. Dr.rer.nat. Dedi Rosadi, S.Si., M.Sc.

2023 | Skripsi | S1 STATISTIKA

Pembentukan portofolio saham yang optimal merupakan salah satu tindakan yang dapat dilakukan investor untuk meminimalisir risiko ketika berinvestasi. Pada skripsi ini dibahas mengenai optimisasi portofolio saham menggunakan algoritma Grey Wolf Optimization (GWO) berdasarkan penyusunan portofolio dengan metode klaster hierarki agglomerative dan K-Means++. Data yang digunakan adalah data closing price saham harian dari 45 saham pada indeks LQ-45.

Sebelum melakukan analisis klaster untuk membentuk portofolio, dilakukan uji normalitas untuk data return saham karena hasil optimisasi menggunakan algoritma GWO akan dibandingkan dengan optimisasi portofolio Mean Variance yang memerlukan asumsi normalitas return saham. Setelah terbentuk portofolio yang terdiri dari beberapa saham, dilakukan optimisasi portofolio menggunakan algoritma GWO dan metode Mean Variance. Kemudian, dilakukan perbandingan kinerja portofolio berdasarkan analisis klaster, yaitu klaster hierarki agglomerative (metode single linkage dan average linkage) dan klaster K-Means++, serta berdasarkan metode pembobotan portofolio, yaitu antara metode Mean Variance dan Algoritma GWO. Kinerja portofolio tersebut dibandingkan dengan menggunakan sharpe ratio untuk melihat kombinasi portofolio manakah yang mampu memberikan kinerja yang lebih baik.

Optimizing an optimal stock portfolio is one of the actions that investors can take to minimize risk when investing. In this undergraduate thesis, we will discuss about stock portfolio optimization using the Grey Wolf Optimization (GWO) algorithm based on the preparation of a portfolio with agglomerative hierarchical clustering and K-Means++ methods. The data used is daily closing price data from 45 stocks on the LQ-45 index.

Before performing cluster analysis to form a portfolio, a normality test is conducted for stock return data because the optimization results using the GWO algorithm will be compared to Mean Variance portfolio optimization, which requires the assumption of normality of stock returns. After a portfolio consisting of several stocks is formed, portfolio optimization is carried out using the GWO algorithm and the Mean Variance method. Then, the portfolio performance is compared based on cluster analysis, namely agglomerative hierarchical clustering (single linkage and average linkage methods) and K-Means++ clustering, as well as based on portfolio weighting methods, namely Mean Variance method and GWO algorithm. The portfolio performance is compared using the Sharpe ratio to see which portfolio combination is able to provide better performance.

Kata Kunci : Grey Wolf Optimization, portofolio Mean Variance, analisis klaster, K-Means++, sharpe ratio