Buletin Ilmiah Mat. Stat.

dan Terapannya (Bimaster)

Volume xx, No. x (tahun), hal xx – xx.

OPTIMALISASI PORTOFOLIO SAHAM DENGAN PENDEKATAN

LEXICOGRAPHIC GOAL PROGRAMMING

Anita, Setyo Wira Rizki, Shantika Martha

INTISARI

Investasi merupakan suatu kegiatan penanaman aset atau modal yang dilakukan oleh perusahaan atau
perorangan, untuk memperoleh imbal balik yang lebih besar di masa depan. Saham merupakan salah satu
investasi yang paling umum yang terdapat pada pasar modal. Seorang investor perlu memperhatikan
nilai return serta risiko ketika melakukan sebuah investasi saham. Cara yang dapat dilakukan investor
dalam meminimalkan risiko dan memaksimalkan return investasi saham yaitu dengan pembentukan
portofolio. Hal tersebut menyebabkan seorang investor harus memilih kombinasi saham yang tepat,
sehingga dapat terbentuk suatu portofolio yang optimal. Tujuan dari penelitian ini adalah penentuan
portofolio optimal dengan menggunakan lexicographic goal programming. Lexicographic goal
programming merupakan model matematika pada riset operasi yang digunakan untuk menyelesaikan
permasalahan optimasi dengan memperhatikan prioritas fungsi tujuan. Fungsi tujuan yang digunakan
dalam penelitian ini adalah memaksimalkan return periode hari, bulan dan resiko. Penentuan urutan
prioritas pada fungsi tujuan menggunakan analytic hierarchy procces. Data yang digunakan pada
penelitian ini adalah data harga saham penutupan harian enam saham teraktif yang terdaftar di Bursa
Efek Indonesia yaitu BBRI, BBCA, BMRI, ASII, BBNI dan PGAS periode 1 Oktober 2018 sampai 31
Desember 2019. Diperoleh hasil saham yang terpilih untuk pembentukan portofolio optimal terdiri dari
saham BBRI dengan porsi 75,97%, BBCA dengan porsi 22,71% serta ASII dengan porsi 1,32%.

Kata Kunci : Return, Analytic Hierarchy Procces, Pembuat Keputusan.

PENDAHULUAN
Pasar modal (capital market) merupakan pasar bagi berbagai macam instrumen keuangan jangka
panjang yang bisa diperjualbelikan, baik berupa surat utang (obligasi), ekuiti (saham), reksadana
maupun instrumen lainnya. Pasar modal juga menjadi sarana bagi kegiatan investasi. Investasi
merupakan suatu bentuk penundaan konsumsi masa sekarang untuk memperoleh konsumsi yang akan
datang, bertujuan untuk memperoleh suatu keuntungan [1]. Masalah yang sering ditemui dalam
berinvestasi adalah investor harus berhadapan dengan ketidakpastian ketika harus memilih saham-
saham yang akan dibentuk menjadi portofolio pilihannya. Portofolio merupakan gabungan dari
berbagai investasi. Portofolio yang efisien adalah portofolio yang memberi keuntungan tertinggi
dengan tingkat risiko tertentu atau memberi tingkat keuntungan tertentu dengan tingkat risiko
terendah. Tidak selalu portofolio yang memberi keuntungan tertinggi merupakan portofolio terbaik
dari portofolio lainnya, faktor risiko juga harus diperhatikan dalam hal ini [2].
Di dalam penelitian ini, diterapkan pendekatan lexicographic goal programming dalam
optimalisasi portofolio saham. Lexicographic goal programming merupakan model matematika pada
riset operasi yang digunakan dalam menyelesaikan permasalahan optimasi. Lexicographic goal
programming memberikan solusi optimal dari beberapa tujuan dengan meminimumkan jumlah
penyimpangan atau deviasi dari tujuan-tujuan yang memiliki tingkat perioritas berbeda terhadap
masing-masing nilai tujuan yang dikehendaki [3]. Tujuan dari penelitian ini adalah penentuan
portofolio optimal dengan menggunakan lexicographic goal programming. Data yang digunakan
dalam penelitian ini adalah enam saham teraktif yang terdaftar Bursa Efek Indonesia (BEI) periode 1
Oktober sampai 31 Desember 2019. Pembobotan fungsi tujuan yang digunakan pada model
lexicographic goal programming menggunakan analytical hierarchy process (AHP).

1
2 ANITA, S.W. RIZKI, S. MARTHA

Langkah pertama dalam penelitian ini adalah menghitung return periode hari, return periode bulan
dan resiko saham. Kemudian menentukan fungsi tujuan serta fungsi kendala yang akan digunakan.
Tahap selanjutnya adalah menggunakan metode AHP dalam menentukan prioritas dan bobot fungsi
tujuan. Dalam proses AHP dimulai dari membuat dan menyebarkan kuesioner, setelah mendapat
penilaian dari responden maka dilakukan penyusunan matriks perbandingan berpasangan. Nilai pada
matriks terbentuk dari menghitung nilai rata-rata geometrik. Selanjutnya menghitung nilai bobot
dengan cara menjumlahkan nilai pada baris matriks perbandingan berpasangan yang sudah
dinormalisasi dan membaginya dengan jumlah elemen berpasangan pada matriks. Kemudian
dilakukan uji konsistensi dengan tolak ukur yang digunakan adalah consistency index (CI) berbanding
random index (RI). Uji konsistensi telah terpenuhi apabila nilai RK lebih kecil dari 0,1 yang berarti
penilaian dari responden sudah konsisten, sehingga bobot yang telah diperoleh dapat digunakan untuk
penetapan prioritas.
Langkah selanjutnya peneliti menghitung derajat optimalisasi individu, yaitu dengan mencari nilai
maksimum dan minimum fungsi tujuan, sehingga dari hasil nilai tersebut peneliti dapat menentukan
nilai target keputusan yang akan digunakan. Kemudian target pembuat keputusan ditinjau kembali
dengan nilai target terevisi, sehingga ditemukan target yang lebih memenuhi urutan prioritas fungsi
tujuan. Apabila nilai target pembuat keputusan lebih besar dari nilai target terevisi, maka yang akan
digunakan adalah nilai target pembuat keputusan begitu pula sebaliknya. Jika telah diperoleh nilai
mana yang akan digunakan maka tahap terakhir adalah membuat model lexicographic goal
programming dan menyelesaikan model tersebut.

RETURN SAHAM
Return merupakan suatu keuntungan yang diperoleh investor dari investasi yang dilakukannya.
Realized return penting karena digunakan sebagai salah satu alat pengukur kinerja dari suatu
perusahaan. Realized return atau return historis juga digunakan dalam menghitung expected return
dan risiko di masa mendatang [4].
𝑃𝑠(𝑡) −𝑃𝑠(𝑡−1)
𝑅𝑠(𝑡) = 𝑃𝑠(𝑡−1)
(1)
Keterangan:
𝑅𝑠(𝑡) = realized return saham ke-s pada periode ke-t
𝑃𝑠(𝑡) = harga saham ke- s pada periode ke-t
𝑃𝑠(𝑡−1) = harga saham ke- s pada periode ke t – 1

Expected return adalah tingkat keuntungan yang diharapkan oleh investor di masa mendatang,
dihitung berdasarkan rata-rata yang berasal dari suatu distribusi return.
∑𝑘
𝑡=1 𝑅𝑠(𝑡)
𝐸(𝑅𝑠 ) = (2)
𝑘
Keterangan:
𝐸(𝑅𝑠 ) = expected return saham ke-s
k = banyaknya data return

RISIKO SAHAM
Risiko merupakan kemungkinan perbedaan antara realized return yang expected return.
Semakin besar jarak perbedaannya, berarti semakin besar risiko investasi tersebut [4].
2
𝑘
∑𝑡=1(𝑅𝑠(𝑡) −𝐸(𝑅𝑠 ))
𝜎𝑠 = √ 𝑘−1
(3)

Keterangan:
 OPTIMALISASI PORTOFOLIO SAHAM DENGAN PENDEKATAN...... 3

𝜎𝑠 = risiko saham ke-s

𝑅𝑠(𝑡) = realized return saham ke-s pada periode ke-t
𝐸(𝑅𝑠 ) = expected return saham ke-s
k = banyaknya data return

ANALYTIC HIERARCHY PROCCES (AHP)

Metode AHP merupakan salah satu metode pengambilan keputusan yang digunakan sebagai
pemberian beberapa alternatif ketika beberapa kiteria harus dipertimbangkan. Serta mengijinkan
pengambil keputusan untuk menyusun masalah yang kompleks ke dalam suatu bentuk hierarki atau
serangkaian level yang terintegrasi. Metode AHP ini mulai dikembangkan oleh Thomas L. Saaty,
seorang ahli matematika yang bekerja pada University of Pittsburgh di Amerika Serikat pada awal
tahun 1970-an [5].
AHP menoleransi adanya inkonsistensi dengan menyediakan ukuran inkonsistensi penilaian.
Ukuran ini merupakan salah satu elemen penting dalam proses penentuan prioritas berdasarkan
pairwise comparison. Semakin besar rasio konsistensi, maka pairwise comparison semakin tidak
konsisten. Nilai rasio konsistensi yang diterima adalah lebih kecil atau sama dengan sepuluh persen
[6]. Untuk mengetahui apakah hasil penilaian bersifat konsisten. Beberapa langkah untuk menguji
konsistensi penilaian adalah sebagai berikut:
1. Membuat matriks perbandingan berpasangan (pairwise comparison matrix)
𝐴1 𝐴2 … 𝐴𝑛

𝐴1 𝑎11 𝑎12 … 𝑎1𝑛

A= 𝐴2 𝑎21 𝑎22 … 𝑎2𝑛
⋮ … … ⋱ ⋮
𝐴𝑛 𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛

1
dimana 𝑎𝑖𝑗 > 0, 𝑎𝑗𝑖
> 0 dan 𝑎𝑖𝑖 = 1 (i, j = 1,2,..,n) nilai – nilai pada elemen matriks A diberikan
berdasarkan nilai interpretasi relatif yang terdapat pada Tabel 1 [5] berikut :
Tabel 1 Nilai Interpretasi Relatif
Nilai 𝒂𝒊𝒋 Interpretasi
1 i dan j sama pentingnya
3 i sedikit lebih penting dibandingkan j
5 i lebih penting dibandingkan j
7 i sangat lebih penting dibandingkan j
9 i mutlak lebih penting dibandingkan j
2,4,6,8 Nilai yang diberikan jika terdapat keraguan diantara dua pilihan.

2. Menghitung Rata-rata Geometrik

Agar matriks perbandingan berpasangan yang diperoleh dari semua responden memberikan satu
jawaban, maka digunakanlah rata-rata geometrik. Cara perhitungan rata-rata geometrik dapat dilihat
pada Persamaan (4).
1
𝑎𝑖𝑗 = (𝐵1 × 𝐵2 × ⋯ × 𝐵𝑁 ) ⁄𝑁 (4)
Keterangan:
𝑎𝑖𝑗 = Rata-rata geometrik perbandingan berpasangan antara i dan j
4 ANITA, S.W. RIZKI, S. MARTHA

𝐵𝑖 = Nilai perbandingan berpasangan untuk responden ke-i, i = 1,2,3, ..., N

N = Jumlah responden
3. Menormalkan nilai rata-rata geometrik dan menghitung nilai bobot
Cara untuk menormalkan nilai rata-rata geometrik yaitu dengan membagi setiap elemen matriks
dengan nilai total dari setiap kolom. Sedangkan untuk mencari nilai bobot yaitu dari jumlahan tiap
baris dari matriks perbandingan berpasangan yang telah dinormalisasikan.
𝑐𝑖𝑗 = 𝑎𝑖𝑗 ⁄∑𝑛𝑖=1 𝑎𝑖𝑗 (5)
Keterangan :
𝑎𝑖𝑗 = Rata-rata geometrik perbandingan berpasangan antara i dan j
𝑐𝑖𝑗 = Normalisasi nilai rata-rata geometrik perbandingan berpasangan antara i dan j
untuk N responden
4. Menghitung nilai indeks konsistensi (CI).
𝜆𝑚𝑎𝑘𝑠 − 𝑛
CI = 𝑛−1
(6)
Dengan n adalah dimensi matriks A.
5. Menentukan rasio konsistensi (RK)
𝐶𝐼
RK = 𝑅𝐼 (7)
Nilai RI dapat dilihat pada Tabel 2 [5]. Jika RK ≤ 0,1 maka konsistensi matriks A diterima. Bila tidak,
pembuat keputusan harus meninjau kembali penilaiannya tentang hubungan ketiga fungsi tujuan agar
matriks A konsisten.
Tabel 2 Random Consistensy Index (RI)
Ukuran matriks 2 3 4 5 6 7 8 9 10
RI 0 0,52 0,89 1,11 1,25 1,35 1,40 1,45 1,49

MENENTUKAN DERAJAT OPTIMALITAS INDIVIDU

Pemilihan tujuan yang sewenang – wenang mungkin akan menghasilkan solusi yang tidak layak,
serta diperoleh hasil yang tidak baik ketika memprioritaskan tujuan [6]. Maka untuk mendefinisikan
optimalisasi individu, langkah pertama yang dilakukan adalah dengan mencari solusi terbaik dan
terburuk dari masing- masing tujuan dengan menggunakan Persamaan 8.
𝑓𝑘+ = max 𝑓𝑘 (𝑥)
} 𝑘 = 1,2,3 … 𝑛 (8)
𝑓𝑘− = min 𝑓𝑘 (𝑥)
Maka derajat optimalisasi individu didefinisikan :
𝑓𝑘 (𝑥)−𝑓𝑘−
𝜇𝑘 (𝑓𝑘 ) = 𝑓𝑘+ − 𝑓𝑘−
(9)

MENINJAU TARGET PEMBUAT KEPUTUSAN

Sebelum menggunakan nilai target pembuat keputusan, hal yang harus dilakukan sebelumnya
adalah meninjau kembali nilai target keputusan. Meninjau target pembuat keputusan dilakukan untuk
menemukan target yang lebih memenuhi urutan prioritas fungsi tujuan karena pembuat keputusan
hampir tidak dapat menentukan target yang sesuai dengan data. Jadi target yang ditentukan pembuat
keputusan mungkin tidak layak walaupun ia tidak menentukan urutan prioritas fungsi tujuan, sehingga
perlu dicari nilai target terevisinya. Model yang digunakan untuk mencari nilai target terevisi pada
Persamaan 10 [6].
𝑛

min Z = ∑ 𝑤𝑖 (𝑒𝑖+ + 𝑒𝑖− )

𝑖=1
Dengan kendala
𝑒𝑖+ − 𝑒𝑖− + 𝜇𝑖 (𝑔𝑖𝐷𝑀 ) − (𝑒𝑖+1
+ −
− 𝑒𝑖+1 𝐷𝑀
+ 𝜇𝑖+1 (𝑔𝑖+1 )) ≥ 0 ;i = 1,2, ..., n
 OPTIMALISASI PORTOFOLIO SAHAM DENGAN PENDEKATAN...... 5

𝑒𝑖+ . 𝑒𝑖− = 1; 𝑖 = 1,2, … , 𝑛

𝑒𝑖+ ≥ 0; 𝑒𝑖− ≥ 0; 𝑖 = 1,2, … , 𝑛 (10)
Keterangan:
Z = Fungsi tujuan
𝑤𝑖 = Nilai bobot ke-i
e+
i = variabel deviasi yang menyebabkan nilai fungsi tujuan i menjadi lebih dari target tujuan
e−
i = variabel deviasi yang menyebabkan nilai fungsi tujuan i menjadi kurang dari target tujuan
𝜇𝑖 (𝑔𝑖𝐷𝑀 ) = derajat optimalisasi target pembuat keputusan ke- i

LEXICOGRAPHIC GOAL PROGRAMMING

Pada beberapa kasus tujuan satu akan lebih penting dengan tujuan lainnya, maka pengambil
keputusan harus menentukan mana dari tujuan – tujuan tersebut yang diprioritaskan. Misalkan tujuan
yang paling penting sebagai prioritas ke-1. Tujuan yang kurang begitu penting ditentukan sebagai
prioritas ke-2, demikian seterusnya. Pembagian prioritas tersebut dikatakan sebagai pengutamaan
(preemptive), yaitu mendahulukan tercapainya kepuasan pada sesuatu tujuan yang telah diberikan
prioritas utama sebelum menuju kepada tujuan-tujuan atau prioritas-prioritas berikutnya. Jadi tujuan
harus disusun dalam suatu urutan (ranking) menurut prioritasnya [7]. Model dengan memprioritaskan
tujuan ini disebut sebagai model lexicographic goal programming. Notasi yang digunakan untuk
menandai prioritas tujuan tersebut adalah 𝑃𝑖 (𝑖 = 1,2, … , 𝑗). Faktor prioritas tersebut memiliki
hubungan sebagai berikut:
𝑃1 > 𝑃2 > ⋯ > 𝑃𝑗
dimana " > " berarti “jauh lebih penting daripada”. Dengan memperhatikan prioritas setiap tujuan
model lexicographic goal programming dapat dituliskan sebagai berikut:
Minimum Z = {𝑃1 (𝑑1+ , 𝑑1− ), 𝑃2 (𝑑2+ , 𝑑2− ), … , 𝑃𝑗 (𝑑𝑖+ , 𝑑𝑖− )}
Dengan kendala
∑𝑛𝑗=1 𝐴𝑖𝑗 𝑋𝑗 − 𝑑𝑖+ + 𝑑𝑖− = 𝑏𝑖
∑𝑛𝑗=1 𝑔𝑘𝑗 𝑋𝑗 ≤ 𝐶𝑘
𝑑𝑖+ . 𝑑𝑖− = 1 ; 𝑋𝑗 ≥ 0; 𝑑𝑖+ ≥ 0; 𝑑𝑖− ≥ 0 (11)
Keterangan:
Z = Fungsi tujuan
𝑃𝑖 = faktor prioritas ke-i, i =1,2,3, ..., j
𝑏𝑖 = target tujuan ke − 𝑖
d+i = variabel deviasi yang menyebabkan nilai fungsi tujuan i menjadi lebih dari 𝑏𝑖
d−i = variabel deviasi yang menyebabkan nilai fungsi tujuan i menjadi kurang dari 𝑏𝑖
𝐴𝑖𝑗 = koefisien fungsi kendala ke-i untuk variabel keputusan ke - j
𝑋𝑗 = variabel pengambilan keputusan
𝑔𝑘𝑗 = koefisien fungsi kedala sistem ke-k untuk variabel keputusan ke- j
𝐶𝑘 = sumber daya yang tersedia

STUDI KASUS
Pada penelitian ini akan dilakukan penentuan portofolio optimal menggunakan lexicographic goal
programming. Hal pertama yang dilakukan adalah menghitung return periode hari, bulan, dan tingkat
resiko masing-masing saham. Ditentukan juga fungsi tujuan dan kendala yang akan digunakan,
kemudian mencari prioritas dan bobot dengan menggunakan AHP. Langkah awal pada proses AHP
yaitu pembuatan kuesioner dan penyebaran kuesioner kepada 5 responden yang telah mengambil mata
kuliah tentang saham. Langkah selanjutnya yaitu menghitung matriks perbandingan masing-masing
6 ANITA, S.W. RIZKI, S. MARTHA

responden. Setelah itu dilakukan perhitungan rata-rata geometrik dengan menggunakan Persamaan (4).
Dapat dilihat pada Tabel 3 hasil perhitungan matriks perbandingan berpasangan rata-rata geometrik.

Tabel 3 Matriks Perbandingan Berpasangan dengan Rata-Rata Geometrik

Kriteria Return Harian Return Bulanan Tingkat Resiko
Return Harian 𝑎11 = 1 𝑎12 = 5,16 𝑎13 = 1,6

Return Bulanan 𝑎21 = 0,19 𝑎22 = 1 𝑎23 = 0,44

Tingkat Resiko 𝑎31 = 0,64 𝑎32 = 2,26 𝑎33 = 1

Jumlah 1,83 8,42 3,04

Langkah selanjutnya adalah menormalkan nilai rata-rata geometrik dan menghitung nilai bobot. Tabel
4 menunjukkan bahwa nilai bobot return mendapatkan bobot yang paling tinggi, dengan urutan kedua
pada tingkat resiko serta terakhir pada return bulanan. Hal ini menunjukkan bahwa nilai return
periode hari menjadi prioritas utama dalam pembentukkan portofolio optimal.
Tabel 4 Normalisasi Matriks Perbandingan Berpasangan
Return Return Tingkat
Kriteria Bobot
Harian Bulanan Resiko
Return Harian 0,54 0,61 0,5 0,56

Return Bulanan 0,14 0,12 0,15 0,12

Tingkat Resiko 0,35 0,27 0,33 0,32

Setelah diperoleh nilai bobot dari normalisasi matriks perbandingan berpasangan, tahap selanjutnya
adalah menguji tingkat konsistensi bobot-bobot yang diperoleh sebelum ditetapkan sebagai prioritas.
Langkah pertama yang dilakukan untuk menguji konsistensi yaitu melakukan perkalian antara matriks
pada Tabel 3 dengan nilai bobot.
1 5,16 1,6 0,56 1,69
Aw = [0,19 1 0,44] [0,12] = [0,37] (12)
0,64 2,26 1 0,32 0,96
Langkah selanjutnya yaitu membagi hasil nilai pada Persamaan (12) dengan masing-masing nilai
bobotnya.
1,69⁄0,56 3,02
𝜆𝑖 = [0,37⁄0,12] = [ 3 ] (13)
0,96⁄0,32 3,01
Nilai rata-rata dari persamaan merupakan nilai eigen maksimal.
(3,02 + 3 + 3,01)
𝜆𝑚𝑎𝑘𝑠 = = 3,01
3

Setelah didapat nilai 𝜆𝑚𝑎𝑘𝑠 , selanjutnya adalah menghitung nilai indeks konsistensi.
𝜆𝑚𝑎𝑘𝑠 − 𝑛 3,01 − 3
𝐶𝐼 = = = 0,0048
𝑛−1 3−1

Untuk n = 3, maka diperoleh nilai RI = 0,52 yang dapat dilihat pada tabel 2 sehingga diperoleh nilai
rasio konsistensi sebagai berikut:
𝐶𝐼 0,0048
RK = = = 0,009
𝑅𝐼 0,52
 OPTIMALISASI PORTOFOLIO SAHAM DENGAN PENDEKATAN...... 7

Karena nilai RK = 0,009 < 0,1 berarti bahwa penilaian dari responden sudah konsisten, sehingga bobot
yang telah diperoleh dapat digunakan untuk penetapan prioritas. Dengan demikian diperoleh 𝑤1 =
0,56, 𝑤2 = 0,12 dan 𝑤3 = 0,32, sehingga urutan prioritas fungsi tujuan adalah 𝑓1 > 𝑓3 > 𝑓2. Tahap
selanjutnya mencari nilai maksimum dan minimum masing-masing fungsi tujuan. Pada kasus ini,
kendala yang digunakan untuk menentukannya adalah
6

∑ 𝑥𝑖 = 1
𝑖=1

Dengan software LINGO 18.0 hasil perhitungannya diberikan pada Tabel 5.

Tabel 5 Hasil Maksimum dan Minimum Fungsi Tujuan
Fungsi Tujuan Maksimum minimum
𝑓1 0,00112 -0,00005
𝑓2 0,00112 -0,00009
𝑓3 -0,00011 -0,00021
Setelah didapat perhitungan nilai maksimum dan minimum fungsi tujuan, kemudian dapat dilakukan
perhitungan nilai µ𝑘 menggunakan Persamaan 9 :
𝑓1 −(−0,00005) 𝑓 + 0,00005
µ1 (𝑓1 ) = 0,00112−(−0,00005)
= 1 0,00117
𝑓2 −(−0.00009) 𝑓 + 0,00009
µ2 (𝑓2 ) = = 2
0,00112−(−0,00009) 0,00121
𝑓3 −(−0,00021) 𝑓3 + 0,00021
µ3 (𝑓3 ) = −0,00011−(−0,00021)
= 0,0001
Dimana 𝑓1, 𝑓2 dan 𝑓3 adalah nilai fungsi tujuan 𝑓1 (𝑥), 𝑓2 (𝑥) , dan 𝑓3 (𝑥) secara berurutan. Kemudian,
diasumsikan target pembuat keputusan sebagai berikut:
𝑔1𝐷𝑀 = 0,0011
𝑔2𝐷𝑀 = 0,0009
𝑔3𝐷𝑀 = −0,00015
Maka derajat optimalisasi untuk tiap target pembuat keputusan sebagai berikut:
0,0011 + 0,00005
µ1 (𝑔1𝐷𝑀 ) = = 0,9829
0,00117
0,0009 + 0,00009
µ2 (𝑔2𝐷𝑀 ) = = 0,81818
0,00121
−0,00015 + 0,00021
µ3 (𝑔3𝐷𝑀 ) = = 0,6
0,0001
Dibentuklah model menggunakan Persamaan (10) agar memperoleh tujuan-tujuan baru. Urutannya
adalah 𝑓1 > 𝑓3 > 𝑓2 :
𝑒1+ + 𝑒1−
Min = (0,56 0,12 0,32) (𝑒2+ + 𝑒2− )
𝑒3+ + 𝑒3−
Kendala
𝑒1+ + 𝑒1− − 𝑒3+ + 𝑒3− + µ1 (𝑔1𝐷𝑀 ) − µ3 (𝑔3𝐷𝑀 ) ≥ 0
𝑒3+ + 𝑒3− − 𝑒2+ + 𝑒2− + µ3 (𝑔3𝐷𝑀 ) − µ2 (𝑔2𝐷𝑀 ) ≥ 0
𝑒𝑖+ ≥ 0; 𝑒𝑖− ≥ 0; 𝑖 = 1,2,3
𝑒𝑖+ . 𝑒𝑖− = 1; 𝑖 = 1,2,3 (14)
Menggunakan software LINGO 18.0 Persamaan (14) memberikan hasil yaitu nilai 𝑒1 = 𝑒1 = 𝑒2+ =
− +

𝑒3+ = 𝑒3− = 0 sedangkan untuk 𝑒2− = 1.

8 ANITA, S.W. RIZKI, S. MARTHA

Dengan demikian dapat dihitung nilai target terevisinya yaitu sebagai berikut:
µ1 (𝑔1 ) = 𝑒1+ − 𝑒1− + µ1 (𝑔1𝐷𝑀 ) = 0 − 0 + 0,9829 = 0,9829
𝑔1 + 0,00005
= 0,9829
0,00117
𝑔1 = 0,0006
µ2 (𝑔2 ) = 𝑒2+ − 𝑒2− + µ2 (𝑔2𝐷𝑀 ) = 0 − 1 + 0,98347 = −0,18182
𝑔2 + 0,00009
= −0,18182
0,00121
𝑔2 = −0,00031
µ3 (𝑔3 ) = 𝑒3+ − 𝑒3− + µ3 (𝑔3𝐷𝑀 ) = 0 − 0 + 0,6 = 0,6
𝑔3 + 0,2551
= 0,6
0,24465
𝑔3 = −0,00015

Dapat dilihat bahwa nilai fungsi tujuan pertama nilai target terevisi (𝑔1 ) sebesar 0,0006 lebih kecil
daripada target pembuat keputusan (𝑔1𝐷𝑀 ) sebesar 0,0011. Kemudian untuk fungsi tujuan kedua nilai
target terevisi (𝑔2 ) sebesar −0,00031 juga lebih kecil daripada target pembuat keputusan (𝑔2𝐷𝑀 )
sebesar 0,0009. Sementara persoalan investasi mengharapkan nilai maksimum dari fungsi tujuan satu
dan dua. Oleh karena itu nilai target terevisi dapat ditolak dan yang digunakan adalah nilai target
pembuat keputusan sebagai nilai fungsi tujuan pada model lexicographic.
Setelah didapat nilai target pembuat keputusan maka dibentuklah model lexicographic berikut ini:
Min Z = (𝑑1+ + 𝑑1− , 𝑑3+ + 𝑑3− , 𝑑2+ + 𝑑2− )
Kendala :
𝑓1 (𝑥) − 𝑑1+ + 𝑑1− = 0,0011
𝑓3 (𝑥) − 𝑑3+ + 𝑑3− = −0,00015
𝑓2 (𝑥) − 𝑑2+ + 𝑑2− = 0,0009
𝑛

∑ 𝑥𝑖 = 1
𝑖=1
𝑑𝑘+ . 𝑑𝑘−
=1
𝑑𝑘+ ≥ 0; 𝑑𝑘− ≥ 0; 𝑘 = 1,2,3
𝑥𝑖 ≥ 0; 𝑖 = 1, … ,6

Model diselesaikan dengan tiga tahap secara Lexicographic berdasarkan urutan prioritas fungsi
tujuan. Hasil optimal dari suatu tahap digunakan sebagai kendala tambahan pada tahap selanjutnya.
Proses setiap tahap dilakukan dengan software LINGO 18.0 sebagai berikut:
1. Tahap 1 meminimumkan jumlahan deviasi 𝑓1 (𝑥)
Min Z = (𝑑1+ + 𝑑1− )
Kendala:
𝑓1 (𝑥) − 𝑑1+ + 𝑑1− = 0,0011
𝑛

∑ 𝑥𝑖 = 1
𝑖=1
𝑑1+ . 𝑑1− = 1
𝑥𝑖 ≥ 0; 𝑑1+ ≥ 0; 𝑑1− ≥ 0; 𝑖 = 1, … ,6
Diperoleh hasil yaitu 𝑑1+ = 𝑑1− = 𝑑3+ = 𝑑3− = 𝑑2+ = 𝑑2− = 0, serta 𝑥4 = 𝑥2 = 𝑥3 = 𝑥5 = 0 dan 𝑥1 =
0,9775281 serta 𝑥6 = 0,0224719.
 OPTIMALISASI PORTOFOLIO SAHAM DENGAN PENDEKATAN...... 9

2. Tahap 2 meminimumkan jumlahan deviasi 𝑓3 (𝑥)

Min Z = (𝑑3+ + 𝑑3− )
Kendala :
𝑓1 (𝑥) = 0,0011
𝑓3 (𝑥) − 𝑑3+ + 𝑑3− = −0,00015
𝑛

∑ 𝑥𝑖 = 1
𝑖=1
𝑑3+ . 𝑑3− = 1
𝑥𝑖 ≥ 0; 𝑑3+ ≥ 0; 𝑑3− ≥ 0; 𝑖 = 1, … ,6
Diperoleh hasil yaitu 𝑑1+ = 𝑑1− = 𝑑3+ = 𝑑2+ = 𝑑2− = 𝑑3− = 0, 𝑥5 = 0, 𝑥1 = 0,7606288, 𝑥2 =
0,2218937 serta 𝑥6 = 0,01748554.

3. Tahap 3 meminimumkan jumlahan deviasi 𝑓2 (𝑥)

Min Z = (𝑑2+ + 𝑑2− )
Kendala :
𝑓1 (𝑥)= 0,0011
𝑓3 (𝑥) = − 0,00015
𝑓2 (𝑥) − 𝑑2+ + 𝑑2− =0,0009
𝑛

∑ 𝑥𝑖 = 1
𝑖=1
𝑑2+ . 𝑑2− = 1;
𝑥𝑖 ≥ 0; 𝑑2+ ≥ 0; 𝑑2− ≥ 0; 𝑖 = 1, … ,6
Diperoleh hasil yaitu 𝑑1+ = 𝑑1− = 𝑑3+ = 𝑑3− = 𝑑2+ = 𝑑2− = 0, 𝑥5 = 𝑥3 = 𝑥6 = 0, 𝑥1 = 0,7596659,
𝑥2 = 0,2271225 dan 𝑥4 = 0,0132116.

Dari proses pengolahan data dan pembahasan yang dilakukan dengan software LINGO 18.0 maka
diperoleh penyelesaian optimal. Berikut adalah porsi investasi optimal untuk masing-masing
perusahaan dari enam perusahaan adalah 𝑥1 = 0,7596659, 𝑥2 = 0,2271225, 𝑥4 = 0,0132116
dan 𝑥5 = 𝑥3 = 𝑥6 = 0. Maka investor harus menginvestasikan dana pada BBRI dengan porsi
0.7596659, BBCA dengan porsi 0.2271225 dan ASII dengan porsi 0.0132116. Sedangkan untuk
BMRI, BBNI dan PGAS investor tidak melakukan investasi ke perusahaan tersebut, yang dapat dilihat
pada Tabel 6.
Tabel 6 Porsi Perusahaan
Kode Urutan
i Nama Saham 𝒙𝒊 Porsi
Saham
Investasi
1 BBRI Bank Rakyat Indonesia (Persero) Tbk 0,7596659 1
2 BBCA Bank Central Asia Tbk 0,2271225 2
3 BMRI Bank Mandiri (Persero) Tbk 0 -
4 ASII Astra Internasional Tbk 0,0132116 3
5 BBNI Bank Negara Indonesia (Persero) Tbk 0 -
6 PGAS Perusahaan Gas Negara (Persero) Tbk 0 -
10 ANITA, S.W. RIZKI, S. MARTHA

KESIMPULAN
Berdasarkan hasil analisis yang telah dilakukan, dapat diambil kesimpulan bahwa dalam
membentuk suatu portofolio optimal. Investor harus menginvestasikan dana investasi yang ada pada
BBRI dengan porsi 75,97%, BBCA dengan porsi 22,71% dan ASII dengan porsi 1,31%. Sedangkan
untuk BMRI, BBNI dan PGAS investor tidak melakukan investasi ke saham tersebut.

DAFTAR PUSTAKA
[1]. Martalena dan Malinda M. Pengantar Pasar Modal. Yogyakarta: Andi; 2011.
[2]. Husnan S. Dasar - Dasar Teori Portofolio dan Analisis Sekuritas. Ed ke-3.Yogyakarta: AMP
YKPN; 2001.
[3]. Nuraini SA, Hamdani, EW. Optimalisasi Portofolio Saham dengan Lexicographic Goal
Programming pada Bursa Efek Indonesia. Jurnal Mahasiswa Matematika. 2013;1, 100-103.
[4]. Istiqomah, RN, Lestari D, Eminugroho RS. Efektifitas Metode Goal Programming dan
Lexicographic Goal Programming dalam Optimisasi Portofolio Saham. Jurnal Matematika.
2017; 6, 13-23.
[5]. Medyati FS, Aritonang, M, Rizki SW. Analisis Pemilihan Paket Layanan Internet
Menggunakan Metode Analytical Hierarchy Procces dan Simple Additive Weighting. jurnal
Bimaster. 2019:8, 563-572.
[6]. Babaei H, Tootooni M, Shahanaghi K, Bakhsha A. Lexicographic Goal Programming
Approach For Portofolio Optimization. Journal of Industrial Engineering Internasional.
2009:5, 63-75.
[7]. Jones D, & Tamiz M. Pratical Goal Programming. New York: Spinger; 2010.

ANITA : Jurusan Matematika FMIPA UNTAN, Pontianak,

anita26@student.untan.ac.id
SETYO WIRA RIZKI : Jurusan Matematika FMIPA UNTAN, Pontianak,
setyo.wirarizki@math.untan.ac.id
SHANTIKA MARTHA : Jurusan Matematika FMIPA UNTAN, Pontianak,
shantika.martha@math.untan.ac.id