Optimisasi Portofolio Multi-Objektif pada Saham IDX30: Studi Komparatif Model Mean–Variance dengan Metode Weighted Sum, MOGA, dan NSGA-II Berdasarkan Klasterisasi K-Medoids

Rhizka Febrianty Aisyah Dewi, Prof. Abdurakhman, S.Si., M.Si.

2026 | Skripsi | STATISTIKA

Investasi merupakan suatu aktivitas mengalokasikan sejumlah dana pada masa sekarang dengan harapan memperoleh keuntungan di masa yang akan datang. Optimisasi multi-objektif portofolio dilakukan untuk merepresentasikan trade-off antara dua fungsi tujuan, yaitu memaksimalkan return dan meminimalkan risiko. Metode klasik Mean–Variance memiliki keterbatasan dalam menghasilkan himpunan solusi Pareto-optimal pada permasalahan multi-objektif yang kompleks. Oleh karena itu, penelitian ini membandingkan pendekatan Multi-Objective Mean–Variance Weighted Sum (MOMV-WS) dengan metode optimisasi berbasis metaheuristik, yaitu Multi-Objective Genetic Algorithm (MOGA) dan Non-Dominated Sorting Genetic Algorithm II (NSGA-II). Tahapan penelitian diawali dengan klasterisasi saham menggunakan metode K-Medoids yang membentuk tiga klaster optimal dengan masing-masing klaster direpresentasikan oleh satu saham untuk dianalisis dalam pembentukan portofolio. Hasil penelitian menunjukkan bahwa portofolio yang dihasilkan oleh metode NSGA-II memiliki kinerja risk-adjusted terbaik, yang ditunjukkan oleh nilai Sharpe ratio tertinggi sebesar 2,50833. Sementara itu, berdasarkan hasil simulasi investasi, metode MOGA menghasilkan return portofolio yang lebih tinggi secara konsisten pada seluruh periode pengujian, dengan return tertinggi mencapai 18,57% pada Agustus 2024. Temuan ini mengindikasikan bahwa metode optimisasi berbasis metaheuristik, yaitu MOGA dan NSGA-II, lebih adaptif dalam merepresentasikan trade-off antara return dan risiko dibandingkan pendekatan analitik MOMV-WS.

Investment is an activity of allocating a certain amount of funds in the present with the expectation of gaining profits in the future. Multi-objective portfolio optimization is employed to explicitly represent the trade-off between two conflicting objectives, namely maximizing return and minimizing risk. The classical Mean–Variance model exhibits limitations in generating Pareto-optimal solution sets when applied to complex multi-objective problems. Therefore, this study conducts a comparative analysis between the Multi-Objective Mean–Variance Weighted Sum (MOMV-WS) approach and metaheuristic optimization methods, namely the Multi-Objective Genetic Algorithm (MOGA) and the Non-Dominated Sorting Genetic Algorithm II (NSGA-II). The research procedure begins with stock clustering using the K-Medoids method, which produces three optimal clusters. From each cluster, one representative stock is selected for subsequent portfolio optimization analysis. The results indicate that the portfolio generated by NSGA-II achieves the best risk-adjusted performance, as evidenced by the highest Sharpe ratio of 2.50833. Meanwhile, based on investment simulation results, the MOGA-based portfolio consistently yields higher returns across all evaluation periods, with the maximum return reaching 18.57% in August 2024. These findings suggest that metaheuristic-based optimization methods, particularly MOGA and NSGA-II, are more adaptive in capturing the trade-off between return and risk compared to the analytical MOMV-WS approach.

Kata Kunci : Optimisasi Portofolio, K-Medoids, Mean-Variance, MOGA, NSGA-II, Sharpe Ratio