Dosen Pengampu :
Kwardiniya Andawaningtyas,S.Si,M.Si.
Oleh :
165090407111020
JURUSAN MATEMATIKA
UNIVERSITAS BRAWIJAYA
MALANG
2019
1
BAB I
PENDAHULUAN
2
(MCDM) merupakan salah satu metode dalam masalah pengambilan keputusan,
Turskis dan Zavadskas (2010) menyatakan berbagai macam metode MCDM
banyak digunakan untuk menyelesaikan permasalahan di bidang sains, bisnis dan
pemerintahan. Beberapa diantaranya yaitu TOPSIS, SAW (Simple Additive
Weighting), LINMAP (Linear Programming Techniques for Multidimensional),
Analytic Hierarchy Methods (AHP), COPRAS (Complex Proportional
Assessment), ARAS (Additive Ratio Assessment). Outranking methods
(ELECTRE, PROMETHEE, ORESTE), dan masih banyak lagi. Tujuan dari
MCDM yaitu untuk menetapkan alternatif terbaik dari sejumlah alternatif yang
ada berdasarkan kriteria tertentu, dan mampu menggabungkan kriteria yang
bersifat kuantitatif maupun kualitatif.
Pemilihan portofolio saham terbaik merupakan salah satu masalah Multi
Criteria Decision Making (MCDM). Ada banyak kriteria yang mempengaruhi
pemilihan saham terbaik, bahkan beberapa kriteria memiliki ketidakpastian dan
dapat berubah seiring berjalannya waktu. Optimasi Robust LINMAP merupakan
salah satu metode MCDM yang diusulkan oleh Bertimas dan Sim (2003) yang
mampu mengatasi ketidakpastian data. Dengan mengaplikasikan Robust LINMAP
dan mempertimbangkan toleransi pada beberapa kriteria, maka dapat mengurangi
pengaruh dari ketidakpastian data, sehingga diperoleh hasil akhir yang rasional
dan dapat dipercaya.
1.2.1 Abstrak
In this paper we apply robust linear programming technique for
multidimensional analysis of preference (LINMAP) method for a decision making
problem. During the last two decades, many methods have been extensively used
for decision making problems. However, there is no investigation among many
existing studies where the uncertainty in data is possible. The robust LINMAP
3
method with the assumption of uncertainty on parameters is implemented in the
stock market in order to rank priorities of the stocks.
Dalam tulisan ini kami menerapkan teknik pemrograman linier yang kuat
untuk analisis preferensi multidimensi (LINMAP) untuk masalah pengambilan
keputusan. Selama dua dekade terakhir, banyak metode telah dilakukan banyak
digunakan untuk masalah pengambilan keputusan. Namun, tidak ada investigasi
di antara banyak yang studi kasus yang ada di mana ketidakpastian dalam data
dimungkinkan. Metode LINMAP yang kuat dengan asumsi ketidakpastian pada
parameter diimplementasikan di pasar saham untuk menentukan peringkat
prioritas saham.
4
memperkenalkan pemodelan fuzzy-stokastik dari masalah MCDM dengan
menggunakan pendekatan fuzzy dan stokastik untuk mendapatkan keputusan yang
memiliki tingkat ketidakpastian tinggi. Penelitian terbaru tentang optimasi robust
telah dikembangkan untuk beberapa model yang mampu mempertimbangkan
ketidakpastian dalam data dan menghasilkan peringkat yang lebih andal,
meskipun adanya modifikasi kecil dalam parameter input dan output tidak akan
mempengaruhi hasil akhir. Ketika input dan output data dalam pemrograman
linier matematika tidak pasti, maka data tidak dapat diselesaikan dengan metode
tradisional, optimasi robust dapat mengatasi ketidakpastian dalam masalah
pengambilan keputusan ini. Optimasi robust telah banyak digunakan untuk
masalah MCDM. Dalam beberapa penelitian, metode optimasi robust diterapkan
dibeberapa kasus industri. Dalam tulisan ini, teknik optimasi robust
diimplementasikan ke pasar saham untuk memilih stok terbaik.
1.2.4 Tujuan
Tujuan utama dari tulisan tersebut yaitu untuk memilih portofolio saham
terbia, dengan adanya kriteria yang memiliki unsur ketidakpastian dan dapat
berubah seiring berjalannya waktu. Dalam kasus ini diterapkan metode LINMAP
yang sudah dikembangkan dengan Optimasi Robust untuk mengelola
ketidakpastian masalah keputusan, sehingga metode yang akan digunakan yaitu
Robust LINMAP.
1.2.5 Output
Dengan menggunakan formula Robust LINMAP maka dapat diperhitungkan
ketidakpastian dalam data berdasarkan kriteria yang diberikan, solusi alternative
5
terbaik didapatkan dalam bentuk peringkat yang paling mendekati nilai ideal
positif.
6
Robust LINMAP. Sedangkan perbedaan antara tema yang dipilih dengan acuan
jurnal internasional yaitu lokasi dan waktu penelitian.
Abstrak:
Produk hasil pemurnian minyak sawit merupakan salah satu produk uggulan
Indonesia yang mempunyai peran cukup penting dalam penghasil devisa negara
baik dalam negeri maupun luar negeri (ekspor). Badan Pengelolah Dana
Perkebunan (BPDP) menyatakan bahwa produk hasil pemurnian minyak sawit
ekspor naik sebesar 22% dari tahun 2016. Salah satu elemen penting yang
mempengaruhi perkembangan ekspor produk ini adalah jaringan distribusi ekspor
hasil pemurnian minyak sawit. Elemen penyusun jaringan distribusi ekspor
produk hasil pemurnian minyak sawit (refinery) terus dikembangkan. Usaha
dalam mengembangkan distribusi ekspor produk hasil pemurnian minyak sawit
(refinery) bertujuan agar profit dapat dimaksimalkan dan biaya distribusi dapat
diminimalkan sehingga jumlah produk yang didistribusikan dapat ditingkatkan
dengan menghadapi tantangan-tantangan jaringan distribusi ekspor. Aktor-aktor
yang berperan dalam jaringan distribusi produk ekspor hasil pemurnian minyak
sawit antara lain produsen (pabrik refinery), distributor, pelabuhan ekspor dan
konsumen (pasar luar negeri). Tantangan distribusi ekspor produk hasil pemurnian
minyak sawit untuk menghasilkan profit maksimum dengan biaya distribusi yang
minimum antara lain tingginya biaya transportasi, tujuan transportasi/logistic
yang jauh, variasi jenis produk dan alokasi jumlah produk yang harus
didistribusikan ke konsumen (pasar luar negeri).
Model optimasi tujuan jamak (multiobjectiveoptimization) dengan
penyelesaian teknik soft-computing sangat dibutuhkan untuk pemecahan masalah
ini agar mendapatkan hasil yang optimum dengan waktu pencarian solusi yang
singkat. Algoritma NSGA-II (non dominated sorting algorithm II) dipilih dalam
7
penyelesaian model optimasi yang ada karena karakteristik jaringan distribusi
produk ekspor hasil pemurnian minyak sawit yang kompleks. Tujuan dari
penelitian ini yaitu untuk memaksimumkan profit dan meminimumkan biaya
distribusi dari jaringan distribusi ekspor produk hasil pemurnian minyak sawit
Indonesia. Skenario yang digunakan untuk pengujian model optimasi yaitu
dengan menggunakan entitas sistem yang terdiri dari tiga jenis produk hasil
pemurnian minyak sawit Indonesia (RBD Stearin, RBD Olein dan PFAD), tiga
pabrik refinery (berlokasi di Deli Serdang, Jakarta dan Surabaya), tiga pelabuhan
ekspor (Belawan, Tanjung Priok dan Tanjung Perak) serta tiga pangsa pasar luar
negeri (USA, India dan Cina). Hasil run solution model optimasi dengan
menggunakan software Netbeans memerlukan waktu pencarian solusi optimal
selama 57 detik dengan output 55 nilai alternative solution. Metode LINMAP
digunakan untuk menentukan solusi paling optimum dari 55 nilai alternative
solution. Hasil LINMAP menunjukan bahwa titik ke-5 adalah nilai titik yang
mendekati nilai ideal solution.
Kata kunci :NSGA-II (non dominated sorting algorithm II),Refinery, Optimasi,
multiobjectiveoptimization, Jaringan Distribusi Ekspor
Persamaan:
Persamaan antara skripsi ini dengan tema yang dipilih berada pada metode yang
digunakan yaitu metode LINMAP.
Perbedaan:
Perbedaan antara skripsi ini dengan tema yang dipilih berada pada studi kasus
yang digunakan, lokasi dan waktu penelitian.
8
1.3.2 PEMILIHAN PORTOFOLIO SAHAM OPTIMAL DENGAN LINEAR
COMPROMISE PROGRAMMING-SHARPE RATIO (CHATIYAH
TRI LESTARI, 2012)
Abstrak:
Persamaan :
Persamaan antara skripsi ini dengan tema yang dipilih berada pada studi kasus
yang digunakan
Perbedaan :
Perbedaan antara skripsi ini dengan tema yang dipilih berada metode yang
digunakan, lokasi dan waktu penelitian.
9
1.3.3 ANALISIS PEMBENTUKAN PORTOFOLIO OPTIMAL SAHAM
DENGAN MENGGUNAKAN CAPITAL ASSET PRICING MODEL
(Studi Empiris pada Saham yang Masuk dalam Indeks LQ 45 di Bursa
Efek Indonesia) (ALFINIA AHMAD SIPA, 2018)
Abstrak:
10
pasar adalah 51,16% dialokasikan untuk saham WSKT (Waskita Karya Persero
Tbk), 11,44% dialokasikan untuk saham AKRA (AKR Corporindo Tbk), 14,98%
dialokasikan untuk saham BBTN (Bank Tabungan Negara Persero Tbk), 10,76%
dialokasikan untuk saham PTPP (PP Persero Tbk), 7,73% dialokasikan untuk
saham TLKM (Telekomunikasi Indonesia Persero Tbk), dan 3,93% dialokasikan
untuk saham ICBP (Indofood CBP Sukses Makmur Tbk).
Kata Kunci : Portofolio Optimal Saham, Capital Asset Pricing Model dan
Indeks LQ 45.
Persamaan:
Persamaan antara skripsi ini dengan tema yang dipilih berada pada studi kasus
yang akan digunakan
Perbedaan:
Perbedaan antara skripsi ini dengan tema yang dipilih berada pada metode yang
akan digunakan, yaitu metode Robust LINMAP.
Batasan:
1. Desain portofolio merupakan portofolio saham
2. Kriteria yang diuji dalam penentuan portofolio saham yang optimal yaitu
volume, kapitalisasi pasar, rasio harga pendapatan (P/E), pendapatan tiap
saham (EPS), rasio kewajiban terhadap ekuitas (L/E), dan laba atas ekuitas
(ROE)
3. Alternatif yang diberikan sebanyak 7 perusahaan yaitu PT Astra Otoparts
Tbk (AUTO), PT Indocement Tunggal Prakasa Tbk (INTP), PT Kimia
Farma (Persero) Tbk (KAEF), PT Kalbe Farma Tbk (KLBF), PT Perusahaan
11
Gas Negara (Persero) Tbk (PGAS), PT Telekomunikasi Indonesia Tbk
(TLKM), PT Unilever Indonesia Tbk (UNVR)
4. Simulasi program menggunakan MATLAB.
1.5 Tujuan
Berdasarkan latar belakang permasalahan, maka tujuan dari penelitian ini
adalah sebagai berikut:
1. Menganalisa preferensi tiap pembuat keputusan dalam memilih alternatif
terbaik
2. Memperoleh solusi ideal positif dengan adanya parameter ketidakpastian,
dan parameter gangguan
3. Memperoleh peringkat dan solusi alternatif terbaik dalam pemilihan
portofolio saham dari rata-rata analisa preferensi setiap pembuat keputusan.
12
BAB II
TINJAUAN PUSTAKA
13
Attribute sering juga disebut karakteristik, komponen, atau kriteria
keputusan. Meskipun pada kebanyakan kriteria bersifat satu level, namun
tidak menutup kemungkinan adanya subkriteria yang berhubungan dengan
kriteria yang diberikan.
Preferensi merupakan pendapat atau persepsi dari pembuat keputusan yang
menjadi bahan pertimbangan dalam mengambil keputusan.
Fulop (2005) menyebutkan, secara umum proses pengambilan keputusan
meliputi langkah-langkah:
1. Mendefinisikan masalah
2. Menentukan kebutuhan
3. Menetapkan tujuan
4. Mengidentifikasi alternatif
5. Mendefinisikan kriteria
6. Memilih teknik/metode pengambil keputusan
7. Mengevaluasi alternatif terhadap kriteria
8. Memvalidasi solusi.
Lebih ringkas, Tseng dan Huang (2011:1) menuliskan empat langkah yang harus
diperhatikan dalam pengambilan keputusan dimulai dengan mengidentifikasi
masalah yang dihadapi, kemudian menyusun preferensi-preferensi yang
dipertimbangkan dalam pengambilan keputusan, setelah itu mengevaluasi
alternatif yang disediakan, dan terakhir menentukan alternatif terbaik.
14
Berikut adalah struktur metode LINMAP yang telah dikembangkan oleh
Shrinivasan dan Shocker:
1. Misal diberikan alternatif 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑚 . Asumsikan peringkat dari
alternatif diberikan menggunakan LINMAP melalui penilaian pembuat
keputusan. Pembuat keputusan memiliki nilai ideal berdasarkan
preferensinya masing-masing, kemudian alternatif yang memiliki jarak
terdekat dari nilai ideal tersebut dipilih. Jarak dari nilai ideal ditentukan
menggunakan:
15
jika G > B maka G – B = h dimana h > 0 , sehingga dapat juga ditulis
(𝑠𝑙 − 𝑠𝑘 )+ − (𝑠𝑙 − 𝑠𝑘 )− = (𝑠𝑙 − 𝑠𝑘 )
4. Mendapatkan (𝑤, 𝑥 ∗ ) dengan menyelesaikan formula sebagai berikut:
min 𝐵 = ∑(𝑘,𝑙)∈Ω max{0, (𝑠𝑘 − 𝑠𝑙 )} (2.7)
bergantung atas, ∑(𝑘,𝑙)∈Ω(𝑠𝑙 − 𝑠𝑘 ) = ℎ , ekuivailen dengan
𝑚𝑖𝑛 ∑(𝑘,𝑙)∈Ω 𝑧𝑘𝑙 bergantung atas (𝑠𝑙 − 𝑠𝑘 ) + 𝑧𝑘𝑙 ≥ 0 untuk (𝑘, 𝑙) ∈ Ω
5. Diperoleh solusi LINMAP dengan mensubstitusikan 𝑠𝑙 dan 𝑠𝑘 , sehingga
formulanya sebagai berikut:
2 2
(𝑠𝑙 − 𝑠𝑘 ) = ∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑙𝑗 − 𝑥𝑗∗ ) − ∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑘𝑗 − 𝑥𝑗∗ )
= ∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑙𝑗 2 − 𝑥𝑘𝑗 2 ) − 2 ∑𝑛𝑗=1 𝑤𝑗 𝑥𝑗∗ (𝑥𝑙𝑗 − 𝑥𝑘𝑗 ) (2.8)
Karena 𝑥𝑗∗ konstan tidak tentu maka 𝑣𝑗 = 𝑤𝑗 𝑥𝑗∗ , sehingga modelnya
menjadi:
𝑚𝑖𝑛 ∑(𝑘,𝑙)∈Ω 𝑧𝑘𝑙 bergantung atas.
∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑙𝑗 2 − 𝑥𝑘𝑗 2 ) − 2 ∑𝑛𝑗=1 𝑣𝑗 (𝑥𝑙𝑗 − 𝑥𝑘𝑗 ) + 𝑧𝑘𝑙 ≥ 0
16
2.3 Robust LINMAP
2.3.1 Optimasi Robust
Ada berbagai sikap dalam memodelkan informasi yang memiliki
ketidakpastian. Pendekatan pemodelan dalam riset operasi yang memiliki unsur
ketidakpastian umumnya mengandaikan karakterisasi probabilitas penuh.
Sebenarnya, dalam pemodelan sebagian besar mengabaikan ketidakpastian dan
menggunakan data yang representatif. Salah satu pendekatan riset operasi yang
mampu mengatasi ketidakpastian yaitu pemrograman stokastik, namun
pendekatan ini mengasumsikan distribusi probabilitas dari ketidakpastian data
harus diketahui dan dapat diukur. Sehingga jika distribusi probabilitas tidak
diketahui atau tidak dapat diukur maka diperlukan metode lain yang mampu
mengatasi masalah ini.
Optimasi Robust yang diperkenalkan oleh Bertsimas dan Sim, merupakan
pendekatan yang mampu mengatasi ketidakpastian tanpa mengasumsikan
distribusi probabilitas, melainkan mempertimbangkan ketidakpastian data dalam
koleksi pasangan ketidakpastian. Optimasi robust menggunakan model
deterministik, dan dapat diuji sebagai pengganti yang sesuai untuk analisis
sensitivitas, serta memudahkan pengguna karena merupakan perhitungan berbasis
komputasional.
17
bergantung atas 𝐴𝑥 ≤ 𝑏 , ∀𝑎1 ∈ 𝑈1 , … , 𝑎𝑚 ∈ 𝑈𝑚 dan 𝑥 ∈ 𝑋 dimana 𝑎𝑖
sebagai baris ke-i dalam matriks ketidakpastian A, dan koleksi 𝑈𝑖 ⊆ 𝑅 𝑛 .
Maka 𝑎𝑖𝑇 𝑥 ≤ 𝑏𝑖 ∀𝑎𝑖 ∈ 𝑈𝑖 , jika 𝑚𝑎𝑥𝑎𝑖 ∈𝑈𝑖 𝑎𝑖𝑇 𝑥 ≤ 𝑏𝑖 ∀𝑖
2. Diberikan matriks ketidakpastian 𝐴 = [𝑎𝑖𝑗 ]. Misalkan pada baris ke-i, nilai
𝑎𝑖𝑗 untuk 𝑗 ∈ 𝐽𝑖 ⊆ {1, 2, 3, …, n} berbeda berdasarkan beberapa interval
yaitu interval |𝑎𝑖𝑗 − 𝛿𝑖𝑗 , 𝑎𝑖𝑗 + 𝛿𝑖𝑗 | dimana 𝛿𝑖𝑗 merupakan maksimum dari
variasi 𝑎𝑖𝑗
3. Setiap parameter memungkinkan untuk menyimpang, sehingga diberikan Γ𝑖
sebagai koefisien penyimpangan, merupakan parameter untuk ketidakpastian
kendala i , dengan i = 1, 2, 3, …, m. Jika Γ𝑖 semakin besar maka
ketidakpastiannya juga semakin tinggi, sehingga formula min 𝑐 𝑇 𝑥 menjadi:
∑𝑗 𝑎𝑖𝑗 + 𝑚𝑎𝑥{𝑆𝑖 ⊆𝐽𝑖 :|=Γ𝑖 } ∑𝑗∈𝑆𝑖 𝛿𝑖𝑗 𝑦𝑗 ≤ 𝑏𝑖 1≤𝑖≤𝑚 (2.12)
−𝑦𝑗 ≤ 𝑥𝑗 ≤ 𝑦𝑗 , 𝑙𝑗 ≤ 𝑥𝑗 ≤ 𝑢𝑗 , ∀𝑗 = 1, 2, … , 𝑛
𝑦𝑗 ≥ 0 ∀𝑖, 𝑗 ∈ 𝐽𝑖
4. Dengan menggunakan maksimasi dual problem , berdasarkan asumsi
Bertsimas dan Sim model optimasi Robust dapat ditulis sebagai berikut:
max 𝑐 𝑇 𝑥
∑𝑗 𝑎𝑖𝑗 𝑥𝑗 + 𝑧𝑖 Γ𝑖 + ∑𝑗∈𝐽𝑖 𝑝𝑖𝑗 ≤ 𝑏𝑖 , ∀𝑖 (2.13)
𝑧𝑖 + 𝑝𝑖𝑗 ≥ 𝛿𝑖𝑗 𝑦𝑗 , ∀𝑖, 𝑗 ∈ 𝐽𝑖
−𝑦𝑗 ≤ 𝑥𝑗 ≤ 𝑦𝑗 , 𝑙𝑗 ≤ 𝑥𝑗 ≤ 𝑢𝑗 , ∀𝑗 = 1, 2, … , 𝑛
𝑝𝑖𝑗 ≥ 0 , 𝑦𝑗 ≥ 0 , 𝑧𝑖 ≥ 0 , ∀𝑖, 𝑗 ∈ 𝐽𝑖
5. Dengan menerapkan optimasi Robust pada persamaan (2.9), maka diperoleh
formula untuk metode Robust LINMAP yaitu:
max − ∑ (𝑘,𝑙)∈Ω 𝑍
∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑙𝑗 2 − 𝑥𝑘𝑗 2 ) + 2 ∑𝑛𝑗=1 𝑣𝑗 (𝑥𝑙𝑗 − 𝑥𝑘𝑗 ) − 𝑧𝑘𝑙 + 𝛹𝑘𝑙 Γ +
18
∑𝑛𝑗=1 𝑤𝑗 ∑(𝑘,𝑙)∈Ω(𝑥𝑙𝑗 2 − 𝑥𝑘𝑗 2 ) − 2 ∑𝑛𝑗=1 𝑣𝑗 ∑(𝑘,𝑙)∈Ω(𝑥𝑙𝑗 − 𝑥𝑘𝑗 ) = ℎ
𝑤𝑗 , 𝛹𝑘𝑙 , 𝑧𝑘𝑙 ≥ 0 𝑢𝑛𝑡𝑢𝑘 (𝑘, 𝑙) ∈ Ω, 𝑣𝑗 = 𝑤𝑗 𝑥𝑗∗ , j = 1,2,3, …, n (2.14)
Ώ = {(𝑘, 𝑙, 𝑗) | (𝑘, 𝑙) ∈ Ω , 𝑗 ∈ 𝐽} , ∆1 , ∆2 merupakan parameter gangguan,
dan p, q, 𝛹 > 0 merupakan variable dual yang berhubungan dengan
ketidakpastian parameter pada persamaan (2.9)
6. Untuk mendapatkan solusi dari model Robust LINMAP, maka asumsikan
adanya gangguan pada parameter sebesar 10% yaitu ∆ = 0.1, diasumsikan
juga Γ = 1.5 yang merepresentasikan 0.95% jaminan pada kendala.
Sehingga diperoleh nilai parameter h =1 yang diusulkan berdasarkan model
Robust LINMAP.
19
BAB III
METODOLOGI
20
3.3.2 Tahapan Analisis Data
Setelah memperoleh seluruh data yang dibutuhkan, maka dapat dilakukan
pengolahan dan analisis data menggunakan metode Robust LINMAP, dengan
langkah sebagai berikut:
1. Mengidentifikasi kriteria dan alternative yang mempengaruhi investasi pasar
saham. Kriteria ini diperoleh melalui observasi awal dan wawancara
terhadap ahli keuangan pada pasar saham. Kriteria yang mempengaruhi
diantaranya : volume (jumlah lembar saham yang telah diperdagangkan),
kapitalisasi pasar, earnings price ratio (P/E), earnings per share (EPS),
liability to equity (L/E), dan return on equity (ROE)
2. Menentukan vektor alternatif yang terdiri dari m alternatif, dan vektor
kriteria yang terdiri dari n kriteria. Kemudian menyusun matriks keputusan
D yang merupakan matriks m x n.
21
3.4 Diagram Alir Penelitian
Mulai
Pengumpulan data
Robust LINMAP
Analisa keputusan
Pengambilan Keputusan
Selesai
22
DAFTAR PUSTAKA
Chamid, A., Suraso, B., Farikhin. 2015. Implementasi Metode AHP dan
Promeethe dalam Pemilihan Supplier. Universitas Dipenogoro.
Rahardjo, J., Stock, R., Yustina, R. 2000. Penerapan MCDM dalam Pengambilan
Keputusan Sistem Perawatan. Universitas Kristen Petra.
Gharakani, M., Rasouli, S., Babakhani, M. 2011. A Robust LINMAP for EFQM
Self Assesment. Management Science, 213-222.
23