KAPITA SELEKTA RISET OPERASI

ANALISA PENGAMBILAN KEPUTUSAN DALAM PEMILIHAN

PORTOFOLIO SAHAM DENGAN KETIDAKPASTIAN KRITERIA
MENGGUNAKAN ROBUST LINMAP

Dosen Pengampu :

Kwardiniya Andawaningtyas,S.Si,M.Si.

Oleh :

Sofaranika Nurbidhari Majid

165090407111020

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

2019

1
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Salah satu aset penting yang dimiliki oleh negara industri yang maju yaitu
tersedianya uang dan pasar modal yang aktif dan dinamis. Pasar modal memiliki
peran penting bagi perekonomian suatu negara karena pasar modal memiliki dua
fungsi, yaitu sebagai sarana bagi pendanaan usaha atau sebagai sarana bagi
perusahaan untuk mendapatkan dana dari masyarakat pemodal (investor), dan
sebagai sarana bagi masyarakat untuk berinvestasi pada instrumen keuangan
seperti saham, obligasi, reksa dana, dan instrumen derivatif lainnya.
Dalam satu dekade terakhir, pertumbuhan harga saham perusahaan nasional
di pasar modal naik hingga 200 persen. Hal ini memberikan peluang ekonomi
yang cukup besar bagi para investor untuk menginvestasikan dananya dan bukan
hanya dalam bentuk satu jenis saham saja, melainkan dalam bentuk portofolio
saham. Portofolio saham adalah suatu gabungan atau kombinasi dari berbagai
instrumen atau saham yang disusun untuk mendapatkan keuntungan yang
maksimal. Perlu diketahui bahwa saham merupakan salah satu jenis investasi yang
memiliki tingkat resiko tinggi. Sehingga seleksi portofolio saham menjadi hal
penting yang perlu diperhatikan oleh para investor. Karena semua investor
berusaha mencapai pilihan terbaik dengan memenuhi kriteria yang tepat dalam
membuat keputusan investasi. Hal lain yang signifikan dalam investasi adalah
pengambilan keputusan yang tidak hanya didasarkapan pada kriteria yang ideal,
tetapi hal itu dilakukan dengan menggunakan beberapa kriteria umum dan secara
bersamaan. Kriteria ini mungkin kuantitatif atau kualitatif. Bahkan beberapa
kriteria memiliki unsur ketidakpastian dan dapat berubah seiring berjalannya
waktu. Dengan adanya keberagaman kriteria terebut maka diperlukan suatu
metode yang mempermudah para investor untuk melakukan pengambilan
keputusan dengan adanya kriteria kuantitatif dan kualitatif, serta mampu
mempertimbangkan unsur ketidakpastian dalam kriteria tersebut.
Suatu proses pengambilan keputusan pada dasarnya merupakan pemilihan
satu alternatif dari beberapa alternatif yang ada. Multi Criteria Decision Making

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 Acuan Artikel Jurnal Internasional

A Robust Optimization Model For A Decision-Making. Problem : An
Application For Stock Market (Massimiliano Ferrara, Sepideh Rasouli,
Mehrnoosh Khademi, Mehdi Salimi, 2017)

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.

1.2.2 Latar Belakang

Metode pengambilan keputusan multi atribut (MADM) merupakan teknik
yang berguna untuk situasi pengambilan keputusan dalam kehidupan nyata.
Banyak masalah keputusan keuangan yang mencakup beberapa kriteria
menerapkan metode MADM sebagai alat yang efektif. Pemilihan saham yang
optimal adalah masalah yang dihadapi investor secara permanen. Sejumlah studi
telah diperluas di bidang ini. Sistem evaluasi industri multi kriteria disediakan
oleh Mareschal dan Bransj yang berguna bagi pengambil keputusan saat mereka
menginginkannya membuat keputusan tentang klien industri mereka. Masalah
MADM dapat dibagi menjadi beberapa kategori. Teknik preferensi pesanan
menggunakan kemiripan dengan solusi ideal (TOPSIS) adalah metode
berdasarkan ukuran jarak. Metode lain yang mirip dengan TOPSIS adalah teknik
pemrograman linier untuk analisis preferensi multidimensi (LINMAP).
Dalam banyak masalah keputusan kehidupan nyata, hasil yang diperoleh
dengan pendekatan deterministik dapat menyebabkan informasi yang tidak
akurat. Akibatnya, sejumlah besar metode dikembangkan untuk mengelola
ketidakpastian pada masalah keputusan, seperti optimasi robust, pemrograman
fuzzy-stokastik. Baru-baru ini, logika fuzzy telah banyak diterapkan dalam
pengambilan keputusan masalah. Chen dan Tan mengembangkan metode
LINMAP untuk bertransaksi dengan beberapa kriteria masalah analisis keputusan
berdasarkan interval nomor fuzzy trapezoid tipe-2. Zarghami et al.

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.

1.2.3 Rumusan Masalah

Berdasarkan latar belakang diatas, maka perumusan masalah dari tulisan ini
yaitu bagaimana pengambilan keputusan dalam menentukan saham yang optimal
dan memilih stok terbaik dalam saham,dengan adanya kriteria pemilihan saham
yang memiliki ketidakpastian.

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.

1.2.6 Teori yang Berkaitan

Beberapa teori yang digunakan dalam penelitian ini diantaranya

1. MCDM (Multi Criteria Decision Making)

2. LINMAP (Linear Programming Technique for Multidimensional Analysis of
Preference)
3. Robust LINMAP

1.2.7 Metode Penelitian

Dalam proses pengambilan keputusan terkadang ketidakpastian selalu
diabaikan. Dengan menggunakan Optimasi Robust LINMAP maka unsur
ketidakpastian akan ikut diperhitungkan, sehingga metode penelitiannya adalah
sebagai berikut:

1. Menentukan kandidat kriteria dan alternative yang akan dipilih dan

dievaluasi
2. Menentukan peringkat alternative berdasarkan atribut yang ada dengan
mengkonstruksi formula yang akan diselesaikan menggunakan program
linier (alternative yang memiliki jarak terpendek dari titik ideal akan dipilih)
3. Mengkonstruksi matriks keputusan berdasarkan alternative dan kriteria yang
diberikan
4. Mengkonstruksi matriks ketidakpastian dengan nilai ketidakpastian 10%
5. Melakukan perhitungan untuk menentukan nilai akhir dari matriks
keputusan menggunakan formula Robust LINMAP dengan program
MATLAB (peringkat ditentukan oleh nilai yang paling mendekati PIS)

1.2.8 Persamaan dan Perbedaan

Persamaan antara tema yang dipilih dengan acuan jurnal internasional
berada pada model dan metode yang digunakan, yaitu menggunakan Optimasi

6
Robust LINMAP. Sedangkan perbedaan antara tema yang dipilih dengan acuan
jurnal internasional yaitu lokasi dan waktu penelitian.

1.3 Keterkinian Skripsi

1.3.1 MODEL OPTIMASI TUJUAN JAMAK PADA JARINGAN
DISTRIBUSI EKSPOR PRODUK HASIL PEMURNIAN MINYAK
SAWIT (REFINERY) (SAUT SEJALI SAUHUR HUTAPEA, 2018)

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:

Setiap investasi termasuk invetasi saham selalu mengandung unsur

ketidakpastian atau risiko. Karena investor menghadapi kesempatan investasi
yang berisiko, mkaa pilihan investasi tidak hanya mempertimbangkan tingkat
keuntungan saja, tetapi harus memepertimbangkan juga tingkat risikonya. Salah
satu strategi yang sering dilakukan untuk memeperkecil tingkat risiko dalam
investasi adalah dengan memebentuk portofolio. Portofolio saham adalah
kombinasi saham yang bertujuan untuk saling meniadakan risiko. Permaslahan
dalam portofolio sham adalah dengan begitu banyaknya jenis saham yang ada,
bagaimana memilih dan mengalokasikan sejumlah dana yang dimiliki agar
mendapatkan hasil yang optimal, yaitu memaksimumkan keuntungan dan
meminimumkan risiko. Berdasarkan pada permasalahan tersebut maka pada
skripsi ini dibahas mengenai penerapan linera compromise programming yang
akan dibentuk model optimasi untuk menentukan proporsi dana yang akan
diinvestasikan pada setiap saham yang membentuk portofolio. Setelah proporsi
dana dari setiap saham pada portofolio ditentukan, akan dicari nilai Sharpe ratio
dari setiap portofolio. Portofolio dengan nilai Sharpe ratio tertinggi, merupakan
portofolio yang plaing optimal.

Kata kunci : compromise programming, Sharpe ratio, portofolio optimal

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:

Penelitian ini bertujuan untuk mengetahui komposisi portofolio optimal

saham serta besarnya proporsi dana pada masing-masing saham tersebut. Subjek
penelitian adalah saham perusahaan yang masuk dalam indeks LQ 45 di Bursa
Efek Indonesia. Periode penelitian yang diambil adalah Agutus 2014-Juli 2016.
Desain penelitian ini adalah penelitian deskriptif kuantitatif. Populasi penelitian
ini adalah seluruh saham yang masuk dalam perhitungan indeks LQ 45 yang
dipublikasikan 6 bulan sekali dan berjumlah 45 saham. Teknik pemilihan sampel
penelitian ini menggunakan metode purposive sampling dan diperoleh 38 saham
sebagai sampel penelitian. Variabel dalam penelitian ini adalah return saham,
return pasar, risiko saham, dan risiko pasar. Perhitungan expected return
menggunakan capital asset pricing model.
Berdasarkan hasil penelitian untuk menentukan portofolio optimal saham
dengan menggunakan capital asset pricing model menunjukkan bahwa : (1)
Saham-saham yang membentuk portofolio optimal adalah saham WSKT (Waskita
Karya Persero Tbk), AKRA (AKR Corporindo Tbk), BBTN (Bank Tabungan
Negara Persero Tbk), PTPP (PP Persero Tbk), TLKM (Telekomunikasi Indonesia
Persero Tbk), dan ICBP (Indofood CBP Sukses Makmur Tbk). (2) Komposisi
proporsi dana yang terbentuk dengan menggunakan IHSG sebagai proksi return
pasar adalah 53,76 % dialokasikan untuk saham WSKT (Waskita Karya Persero
Tbk), 11,83% dialokasikan untuk saham AKRA (AKR Corporindo Tbk), 14,55%
dialokasikan untuk saham BBTN (Bank Tabungan Negara Persero Tbk), 10,46%
dialokasikan untuk saham PTPP (PP Persero Tbk), 5,97% dialokasikan untuk
saham TLKM (Telekomunikasi Indonesia Persero Tbk), dan 3,43% dialokasikan
untuk saham ICBP (Indofood CBP Sukses Makmur Tbk). (3) Komposisi proporsi
dana yang terbentuk dengan menggunakan indeks LQ 45 sebagai proksi return

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.

1.4 Asumsi dan Batasan Masalah

Asumsi dan batasan akan ditentukan untuk memperjelas pembahasan dalam
penelitian ini antara lain sebagai berikut:
Asumsi:
1. Laporan keuangan dan annual report perusahaan sudah teraudit
2. Data yang dimiliki memenuhi asumsi normalitas data.

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

2.1 Multi Criteria Decision Making (MCDM)

Pengambilan keputusan merupakan suatu analisa yang membutuhkan
adanya kriteria sebelum memutuskan pilihan dari berbagai alternatif yang ada.
Kriteria menunjukan definisi masalah dalam bentuk yang konkret dan terkadang
dianggap sebagai sasaran yang akan dicapai. Analisis atas kriteria penilaian
dilakukan untuk memperoleh seperangkat standar pengukuran, untuk kemudian
dijadikan sebagai acuan dalam membandingkan berbagai alternative.
Salah satu metode pengambilan keputusan yang paling sering digunakan
baik dalam bidang sains, bisnis, dan pemerintahan yaitu Multi Criteria Decision
Making (MCDM). MCDM adalah suatu metode yang mampu memilih alternatif
terbaik dari beberapa alternatif eksklusif yang saling menguntungkan atas dasar
performansi umum dalam bermacam kriteria (atau atribut) yang ditentukan oleh
pengambil keputusan (Chen, 2005:10). Ada dua pendekatan dasar pada masalah
MCDM yaitu:
 Multiple Attribute Decision Making (MADM). Merupakan metode
pengambilan keputusan dengan memperhatikan beberapa atribut yang saling
bertentangan, berada dalam ruang diskret, dan biasanya digunakan untuk
seleksi terhadap beberapa alternatif dalam jumlah yang terbatas.
 Multiple Objective Decision Making (MODM). Merupakan metode
pengambilan keputusan yang mengandung banyaknya alternatif tak terbatas
dan timbal balik antar kriteria dideskripsikan dengan menggunakan fungsi
kontinu (Kahraman, 2008:2).
Sebagian besar masalah MCDM dalam praktek nyata melibatkan informasi yang
tidak hanya kuantitatif akan tetapi juga kualitatif, yang bersifat tidak pasti. Ada
beberapa fitur yang digunakan dalam MCDM, antara lain:
 Alternatif adalah objek-objek yang berbeda dan memiliki kesempatan yang
sama untuk dipilih oleh pengambil keputusan
 Kriteria merupakan ukuran, aturan-aturan ataupun standar-standar yang
memandu suatu pengambilan keputusan.

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.

2.2 Linear Programming Technique for Multidimensional Analysis of

Preference (LINMAP)
Linear Programming Technique for Multidimensional Analysis of
Preference (LINMAP) merupakan salah satu metode MADM yang digunakan
untuk menentukan besarnya nilai bobot. LINMAP dikembangkan oleh
Shrinivasan dan Shocker, merupakan suatu metode yang membandingkan
pasangan alternatif yang diberikan oleh pembuat keputusan, untuk menghasilkan
alternatif kompromi terbaik sebagai solusi yang memiliki jarak terdekat dengan
positive ideal solution (PIS).

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:

𝑑𝑖 = √∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑖𝑗 − 𝑥𝑗∗ )2 i = 1,2,3, … , m (2.1)

𝑑𝑖 = jarak dari nilai ideal

𝑤𝑗 = bobot yang belum diketahui nilainya, dan akan ditentukan
𝑥𝑖𝑗 = nilai dari alternative ke-i dari atribut ke-j pada matriks keputusan
𝑥𝑗∗ = nilai ideal
Sehingga kuadrat dari jarak terhadap nilai ideal yaitu:
𝑠𝑖 = 𝑑𝑖 2 = ∑𝑛𝑗=1 𝑤𝑗 (𝑥𝑖𝑗 − 𝑥𝑗∗ )2 i = 1,2,3, … , m (2.2)
2. Pembuat keputusan memberikan preferensinya dan membandingkan
alternatif yang disusun dalam bentuk pasangan Ω = {(𝑘, 𝑙)}, dimana k
merupakan alternatif yang terpilih dari perbandingan (k,l). Biasanya Ω
memiliki m(m-1)/2 elelmen. Kemudian dapat dihitung errornya untuk solusi
(𝑤, 𝑥 ∗ )
0 , 𝑠𝑙 ≥ 𝑠𝑘
(𝑠𝑙 − 𝑠𝑘 )− = { (2.3)
(𝑠𝑘 − 𝑠𝑙 ) , 𝑠𝑙 < 𝑠𝑘
(𝑠𝑙 − 𝑠𝑘 )− = max{0, (𝑠𝑘 − 𝑠𝑙 )}
3. Menghitung ketidakkonsistenan tiap indeks dari pembuat keputusan, dengan
formula sebagai berikut:
𝐵 = ∑(𝑘,𝑙)∈Ω(𝑠𝑙 − 𝑠𝑘 )− = ∑(𝑘,𝑙)∈Ω max{0, (𝑠𝑘 − 𝑠𝑙 )} (2.4)
Sedangkan tingkat kekonsistenan indeks diberikan menggunakan formula :
𝐺 = ∑(𝑘,𝑙)∈Ω(𝑠𝑙 − 𝑠𝑘 )+ (2.5)
(𝑠𝑙 − 𝑠𝑘 ) , 𝑠𝑙 ≥ 𝑠𝑘
dimana (𝑠𝑙 − 𝑠𝑘 )− = { (2.6)
0 , 𝑠𝑙 < 𝑠𝑘

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

∑𝑛𝑗=1 𝑤𝑗 ∑(𝑘,𝑙)∈Ω(𝑥𝑙𝑗 2 − 𝑥𝑘𝑗 2 ) − 2 ∑𝑛𝑗=1 𝑣𝑗 ∑(𝑘,𝑙)∈Ω(𝑥𝑙𝑗 − 𝑥𝑘𝑗 ) + 𝑧𝑘𝑙 = ℎ

𝑤𝑗 ≥ 0, 𝑧𝑘𝑙 ≥ 0, 𝑢𝑛𝑡𝑢𝑘 (𝑘, 𝑙) ∈ Ω, 𝑣𝑗 = 𝑤𝑗 𝑥𝑗∗ , j = 1,2,3, …, n (2.9)
i. jika 𝑤𝑗∗ > 0, maka 𝑥𝑗∗ = 𝑣𝑗∗ /𝑤𝑗∗
ii. jika 𝑤𝑗∗ = 0, maka 𝑣𝑗∗ = 0 sehingga 𝑥𝑗∗ = 0
iii. jika 𝑤𝑗∗ = 0, maka 𝑣𝑗∗ > 0 sehingga 𝑥𝑗∗ = +∞
iv. jika 𝑤𝑗∗ = 0, maka 𝑣𝑗∗ < 0 sehingga 𝑥𝑗∗ = −∞
6. Karena 𝑣𝑗∗ dan 𝑤𝑗∗ adalah nilai yang ideal untuk atribut ke-j, maka kuadrat
jarak dari 𝑥 ∗ yaitu:
𝑠𝑖 = 𝑑𝑖 2 = ∑𝛼 𝑤𝛼 ∗ (𝑥𝑖𝛼 − 𝑥𝛼∗ )2 − 2 ∑𝛽 𝑣𝛽 ∗ 𝑥𝑖𝛽 𝑖 = 1,2,3, … , 𝑚
Dimana 𝛼 = {𝑗|𝑤𝑗∗ ≥ 0} dan 𝛽 = {𝑗|𝑤𝑗∗ = 0 𝑑𝑎𝑛 𝑣𝑗∗ ≠ 0 } (2.10)
Sehingga kuadrat jarak yang memiliki nilai terbesar diputuskan sebagai
alternatif terbaik.

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.

2.3.2 Robust LINMAP

Pemilihan portofolio saham merupakan salah satu masalah MCDM yang
memiliki banyak kriteria dalam penentuan alternatif terbaik. Bahkan beberapa dari
kriteria tersebut tidak pasti dan dapat berubah seiring berjalannya waktu. Robust
LINMAP pertama kali diperkenalkan oleh Ben dan Nemivroski, merupakan
sebuah metode yang telah dikembangkan dari model LINMAP. Metode ini
merupakan solusi yang tepat untuk mengatasi masalah ketidakpastian dalam data.
Berikut adalah struktur Optimasi Robust yang diperkenalkan oleh Bertsimas
dan Sim:
1. Diberikan c sebagai n-vektor, b sebagai m-vektor, dan A merupakan matriks
m×n. Asumsikan masalah program linear sebagai berikut:
min 𝑐 𝑇 𝑥 (2.11)

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 +

∑𝑛𝑗=1 (𝑝𝑘𝑗𝑙 + 𝑞𝑘𝑗𝑙 ) ≤ 0 , untuk (𝑘, 𝑙) ∈ Ω

𝛹𝑘𝑙 + 𝑝𝑘𝑗𝑙 ≥ ∆1 (𝑥𝑙𝑗 2 − 𝑥𝑘𝑗 2 ) 𝑦𝑗 , untuk (𝑘, 𝑙) ∈ Ω
𝛹𝑘𝑙 + 𝑞𝑘𝑗𝑙 ≥ ∆2 (𝑥𝑙𝑗 − 𝑥𝑘𝑗 ) 𝜙𝑗 , untuk (𝑘, 𝑙) ∈ Ω
−𝑦𝑗 ≤ 𝑤𝑗 ≤ 𝑦𝑗 , ∀𝑗 = 1, 2, … , 𝑛
−ϕ𝑗 ≤ 𝑣𝑗 ≤ 𝜙𝑗 , ∀𝑗 = 1, 2, … , 𝑛

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

3.1 Waktu dan Tempat Penelitian

Pengumpulan data dilakukan pada Bursa Efek Indonesia, Kantor Perwakilan
Surabaya, Jawa Timur, pada tanggal 10 Februari – 10 Maret 2019.

3.2 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data primer yang diperoleh
melalui wawancara langsung terhadap pihak Bursa Efek Indonesia (BEI), dan
pembuat keputusan yang ahli dan kompeten dalam bidang saham. Selain itu juga
digunakan data sekunder yang diperoleh dari studi literatur terhadap instansi yang
sudah dimuat dalam jurnal, laporan, atau sumber informasi lainnya yang sesuai
dengan pokok permasalahan yang akan dibahas.

3.3 Langkah – Langkah Penelitian

3.3.1 Tahapan Penelitian
Langkah – langkah yang diperlukan untuk melakukan penelitian ini adalah:
1. Menentukan subjek dan objek penelitian yang akan dilakukan
2. Melakukan studi literatur dan studi pendahuluan
3. Mengidentifikasi dan merumuskan masalah penelitian
4. Mengidentifikasi asumsi dan batasan masalah pada penelitian
5. Mengidentifikasi variabel dan parameter yang berpengaruh dalam penelitian
6. Membentuk rancangan dan metodologi penelitian
7. Melakukan penelitian dan pengumpulan data
8. Mengidentifikasi kriteria dan alternatif yang berpengaruh
9. Melakukan pengolahan dan analisis data
10. Menentukan hasil penelitian dan pembahasan.

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.

3. Mempertanyakan pembuat keputusan (DM) terkait preferensi idealnya, dan

membandingkan tiap alternatif dalam pasangan alternatif Ω = {(𝑘, 𝑙)} yang
paling mendekati nilai ideal tiap pembuat keputusan
4. Mengukur konsistensi tiap indeks pembuatan keputusan
5. Menginputkan parameter ketidakpastian (Γ𝑖 ), dan melakukan pembobotan
pada matriks keputusan
6. Menginputkan parameter gangguan (∆𝑖 ), dan menentukan solusi ideal positif
berdasarkan matriks keputusan yang telah dilakukan pembobotan.
7. Menghitung Separation Measure (kuadrat jarak) tiap preferensi pembuat
keputusan, dan menentukan peringkat alternatif terbaik berdasarkan nilai
rata-rata Separation Measure dari seluruh pembuat keputusan. Hasil akhir
yang paling besar menjadi peringkat tertinggi dari seluruh alternatif.

21
3.4 Diagram Alir Penelitian

Mulai

Studi Pendahuluan dan Studi Literatur

Identifikasi Masalah dan Tujuan

Pengumpulan data

Identifikasi Kriteria dan Alternatif

Pengolahan data menggunakan

Robust LINMAP

Analisa keputusan

Pengambilan Keputusan

Selesai

22
 DAFTAR PUSTAKA

Shrinivasan, Shocker. 1973. Linear Programming Technique for

Multidimensional Analysis of Preferences, 337-369.

Robbika, A., Baroto, T. 2016. Perencanaan Strategi Pemasaran dengan Metode

Multidimensial Scalling dan Quality Function Deploymen. Universitas
Muhammadiyah Malang.

Faisal. 2016. Efektivitas penerapan MCDM dalam Pemilihan Perangkat Lunak

Layanan Pengolahan Pemungutan Suara Elektronk dengan Menggunakan
Expert Choice. Universitas Trilogi

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.

Ekaningsih, Y. 2015. Analisis Pengambilan Keputusan Terhadap Pemilihan

Keputusan Portofolio Saham Menggunakan Metode Ananlisis SWOT dan
FAHP. Skripsi. Surabaya : Fakultas Matematika dan Ilmu Pengetahuan Alam.

Gharakani, M., Rasouli, S., Babakhani, M. 2011. A Robust LINMAP for EFQM
Self Assesment. Management Science, 213-222.

Andayani, S., Mardapi, D. 2012. Performance Assesment Dalam Perspektif

Multiple Criteria Decision Making. Universitas Negri Yogyakarta

23