Pengelompokan Saham Menggunakan K-Means Dalam

Pembentukan Portofolio Optimal

1908541061 Ade Ayu Nita Devi

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Udayana
2022
 TOPIK BAHASAN

BAB I BAB II BAB III

PENDAHULUAN TINJAUAN PUSTAKA METODE PENELITIAN

BAB IV BAB V
HASIL & PEMBAHASAN SIMPULAN & SARAN
 BAB I
PENDAHULUAN
 LATAR
BELAKANG

• Saha m ap a saja?

Investasi Saham
Penggunaan Analisis Klaster
Di ve rs ifi kas i
"d on 't p ut all y ou r e gg untuk pengelompokan saham
Membentuk Portofolio
Teo ri P o rt o fo l i o o l eh
in o ne ba s ke t"
M ar k o wi t z

Portofolio Optimal
WEBSITE K-Means Clustering

• Saham A
• Saham x
• sa h a m B
Pengukuran Kinerja • saham y
• sa h a m C
• saham z
Portofolio

Indeks IDX80
 RUMUSAN MASALAH

1.Bagaimana penerapan algoritma K-Means untuk

mengelompokkan saham IDX80?

2. Bagaimana hasil portofolio optimal pada masing-

masing klaster dengan Mean Variance dan portofolio
manakah yang memiliki kinerja terbaik?
 BATASAN TUJUAN
MASALAH PENELITIAN

Penelitian ini hanya difokuskan pada 1.Hasil penerapan algoritma K-Means

pengelompokan saham dalam untuk pengelompokan saham IDX80.
pembentukan portofolio optimal 2.Hasil portofolio optimal pada masing-
dengan menggunakan saham yang masing klaster dengan Mean Variance dan
konsisten tergabung dalam IDX80 klaster yang memiliki kinerja terbaik.
pada periode penelitian 01 Januari
2020 sampai 10 November 2022.
 TUJUAN
PENELITIAN
1.Manfaat Teoritis
Manfaat penelitian ini secara teoritis yaitu
memberikan ide atau gambaran baru tentang
bagaimana peran analisis klaster dalam
mengelompokkan saham untuk mendapatkan
investasi yang terdiversifikasi dengan baik
sehingga menghasilkan portofolio terbaik.
MANFAAT
PENELITIAN
2.Manfaat Praktis
Manfaat penelitian ini secara praktis yaitu
memberikan informasi kepada investor
untuk bisa mempertimbangkan hasil
pengalokasian aset sehingga investor
dapat mengetahui besar pencapaian
tujuan investasinya
 BAB II
TINJAUAN PUSTAKA
PENELITIAN TERDAHULU

Ridwan et al. (2021)

Pengelompokan saham dilakukan berdasarkan dari nilai expected return dan Value at Risk.
Hasil dari penelitian ini adalah K-Means berhasil mengelompokkan data berdasarkan tingkat
kemiripan yang kemudian dapat digunakan dalam pembentukan portofolio.

Putra et al. (2021)

Seleksi saham dari indeks Kompas-100 berdasarkan kesamaan kurva pergerakan harga
kemudian membandingkan bobot portofolio Mean Variance dan Equal-Weight. Diperoleh hasil
bahwa pengelompokan saham berdasarkan kesamaan kurva pergerakan harga sangat
menjanjikan dalam pemilihan portofolio dan Mean Variance tampil lebih unggul dengan nilai
rasio Sharpe yang tinggi dan dengan volatilitas yang rendah.
PENELITIAN TERDAHULU

Siregar et al. (2021)

Klasifikasi dari harga saham harian indeks LQ45 periode Januari 2015 sampai September
2021 dengan menggunakan metode klasterisasi K-Means kemudian kemudian menentukan
portofolio optimal dengan model Markowitz. Analisis klaster K-Means menunjukan hasil yang
baik dalam mengategorikan saham sehingga diperoleh portofolio optimal dengan performa
yang baik juga.
PENELITIAN TERDAHULU
 BAB III
METODE PENELITIAN

Jenis dan Sumber Data

Sumber data dalam penelitian ini adalah Data

Sekunder (www.yahoofinance.com) yang
bersifat kuantitatif, yaitu data penutupan harga
saham (closing price) harian dan rata-rata
tingkat suku bunga BI-7 days reverse repo rate
pada periode 1 Januari 2020 sampai 10
November 2022
Teknik Analisis Data
4.Menentukan jumlah
• Mengumpulkan 2. Menghitung variabel 3.Standarisasi Data
klaster dengan metode
data saham IDX80 penelitian
elbow

7. Pengelompokan data 8. Menentukan

5. Menentukan centorid 6. Menghitung jarak berdasarkan jarak centroid baru
awal euclidean minimum

9. Membentuk 10. Menghitung Rasio

Portofolio optimal Sharpe
Interpretasi Hasil
output
 BAB IV
HASIL PEMBAHASAN
4.1 Memilih dan Menyeleksi Saham yang tergabung dalam IDX80
Terdapat 75 saham yang konsisten tergabung dalam IDX80 selama periode penelitian

4.2 Menghitung nilai return saham

Return saham dihitung menggunakan persamaan (2.2). Sebagai contoh return saham AALI
ke-1 dihitung seperti berikut

Return saham AALI ke, 2,3,...,698 dihitung dengan cara yang sama
Nilai return dari ke-75 saham disajikan pada Lampiran 2
 SARAN
Pada penelitian ini masih banyak terdapat
Bagi peneliti yang ingin mengembangkan
kekurangan yang dapat disempurnakan lagi
penelitian ini pada saat membentuk
oleh peneliti selanjutnya. Bagi peneliti yang
portofolio agar lebih memperhatikan aspek
tertarik pada pengelompokan saham
lain seperti korelasi antar saham agar
dengan menggunakan analisis klaster,
investasi yang dilakukan dapat terlindungi
banyak metode clustering lain yang belum
dari kerugian yang besar
digunakan seperti K-Medoid, Fuzzy C-
Means, dan lainnya. Selain itu, peneliti juga
dapat mencoba untuk menggunakan
indeks saham selain IDX80.
TERIMA KASIH
4.3 Menghitung Variabel

4.3.1 Menghitung Expected Return

Expected return dihitung berdasarkan nilai return pada Lampiran 2 dengan
menggunakan persamaan (2.3). sebagai contoh, nilai expected return saham AALI
adalah

ILLUSTRATION

Expected return dari 75 saham

dihitung dengan cara
UI / UX yang sama
DESIGNER
dan secara lengkap disajikan
pada Lampiran 3.
4.3.2 Menghitung Varians
Expected return dihitung berdasarkan nilai return pada Lampiran 2 dengan
menggunakan persamaan (2.4). sebagai contoh, nilai varians saham AALI adalah

ILLUSTRATION
Varians dari 75 saham dihitung
dengan cara yang sama dan
secara lengkap disajikan pada
UI / UX DESIGNER
Lampiran 3.
4.3.3 Menghitung Rata-rata Volume Penjualan
Nilai rata-rata volume penjualan dari setiap saham dihitung dari nilai volume
penjualan harian pada periode penelitian. Sebagai contoh berikut perhitungan nilai
rata-rata volume penjualan dari saham AALI.

ILLUSTRATION
Rata-rata volume penjualan dari
75 saham dihitung dengan cara
yang sama dan secara lengkap
UI / UX DESIGNER
disajikan pada Lampiran 3.
4.4 Standarisasi Data
Setelah diperoleh nilai expected return, varians, dan rata-rata volume penjualan dari
75 saham selanjutnya dilakukan standarisasi data yang bertujuan untuk
menyamakan satuan pada variabel. Standarisasi data menggunakan Z-score
dihitung menggunakan persamaan (2.16). Sebagai contoh, akan dilakukan
standarisasi data pertama yaitu saham AALI pada variabel expected return dengan
nilai tengah sebesar dan simpangan baku sebesar 0.001079.

ILLUSTRATION
Nilai dari merupakan data expected
return dari saham AALI yang sudah di
UI / UX
standarisasi. Secara lengkap DESIGNER
variabel
yang sudah di standarisasi disajikan
pada Lampiran 4.
4.5 Pengelompokan dengan K-Means

• Menentukan Jumlah Klaster Optimal

Berdasarkan Gambar 4.1 dapat dilihat

terdapat penurunan garis yang terjadi
pada rentangan jumlah k=3 menuju k=4
dimana menandakan bahwa kurva mulai
ILLUSTRATION
melandai pada 4 klaster. Dengan
demikian dipilih 4 klaster sebagai
jumlah klaster yangUI /optimal. Langkah
UX DESIGNER
berikutnya adalah menentukan titik
pusat klaster dengan 4 jumlah klaster
sebagai titik pusat (centroid) awal.
2. Menentukan titik pusat klaster (centroid)

3.ILLUSTRATION
Menghitung jarak antar
objek terhadap centroid
jarak antar objek terhadap
UI / UX DESIGNER
centroid dihitung
menggunakan ukuran
jarak Euclidean pada
persamaan (2.18).
3. Mengitung jarak antar objek terhadap centroid

4. Mengelompokan objek ke klaster terdekat

ILLUSTRATION
Berdasarkan perhitungan sebelumnya, diperoleh jarak paling minimum antar objek terhadap
centroid nya yaitu jarak antara saham AALI terhadap centroid 2 sebesar . Dengan demikian,
saham AALI masuk ke dalam klaster 2. Begitu pula dengan objek yang lain dilakukan dengan
perhitungan yang sama. UI / UX DESIGNER
5. Menghitung Centroid baru

Apabila masih terdapat objek

yang berpindah klaster atau titik
pusat klaster berubah, maka titik
pusat klaster dihitung kembali
menggunakan persamaan (2.17).
Proses iterasi dilakukan sampai
tidak ada objek yang berpindah
atau centroid sudah tetap. Hasil
klaster akhir dapat dilihat pada
Lampiran 5. Kemudian, dapat
dilihat pada Gambar 4.2 hasil
dari klaster yang terbentuk.
Bisa dilihat pada Tabel 4.1
pengelompokan saham dengan
K-Means menghasilkan 4 klaster.
dimana, klaster 1 diberi label P1,
klaster 2 diberi label P2, dan
setersunya. langkah selanjutnya
yaitu melakukan pembentukan
portofolio optimal berdasarkan
klaster yang terbentuk, yaitu P1,
P2, P3, dan P4.
4.6 Membentuk Portofolio Optimal dari Masing-masing Klaster
Sebelum membentuk portofolio optimal, ditentukan terlebih dahulu expected return, varians,
kovarians dan matriks varians-kovarians sebagai parameter pembentuk portofolio.

• Menghitung Expected return saham setiap klaster

Sebelum menghitung portofolio terlebih dahulu ditentukan nilai expected return setiap
saham pada masing-masing klaster yang sebelumnya sudah dihitung dan dicantumkan
pada Lampiran 3. Sebagai contoh nilai expected return antar saham pada Klaster disajikan
pada Tabel 4.4. ILLUSTRATION

Expected return saham dari

klaster
UI P1, P2, dan P4
/ UX DESIGNER
dikerjakan dengan cara
yang sama dan secara
lengkap disajikan pada
Lampiran 6.
2. Menghitung Nilai Kovarians Antar Saham
Kovarians antar saham dihitung menggunakan persamaan (2.4) berdasarkan nilai return di
Lampiran 2. Sebagai contoh, nilai kovarians antar saham ARTO dan BMRS pada Klaster P3
adalah

Masing-masing kovarians
antar saham pada klaster
ILLUSTRATION
dihitung dengan cara yang
sama dan secara lengkap
disajikan pada Tabel 4.5.
UI / UX DESIGNER
 Nilai kovarians antar saham
pada klaster P1, P2, dan P4
dikerjakan dengan cara yang
sama dan berikutnya akan
membentuk matriks varian
ILLUSTRATION
kovarians antar saham.

UI / UX DESIGNER
3. Membentuk Matriks Varians Kovarians
Berdasarkan nilai kovarians antar saham dibentuk matriks varians-kovarians pada klaster P3
menggunakan persamaan (2.13)

Matriks Varians Kovarians

pada P1, P2, dan P4
dikerjakan ILLUSTRATION
dengan cara
yang sama dan secara
lengkap disajikan pada
Lampiran 7.
UI / UX DESIGNER
3. Portofolio Optimal
Dengan bantuan software MATLAB R2021a ditentukan portofolio-portofolio efisien dari setiap
klaster yang disajikan pada Gambar 4.3, Gambar 4.4, Gambar 4.5, dan Gambar 4.6.

UI / UX DESIGNER
UI / UX DESIGNER
 Berdasarkan Gambar 4.4 sampai dengan Gambar 4.7 dengan asumsi investor seorang risk
averter portofolio optimal dipilih dari portofolio efisien dengan nilai risiko portofolio paling
minimum. Pembobotan nilai risiko portofolio minimum dihitung menggunakan persamaan
(2.14). Sebagai contoh akan dihitung nilai bobot dengan risiko portofolio yang minimum pada
klaster P3
 ILLUSTRATION
Dengan cara yang sama nilai kombinasi bobot yang optimal pada klaster P1, P2 dan P4 secara
lengkap disajikan pada Lampiran 8. Setelah diperoleh kombinasi bobot yang optimal pada
UI / UXdan
setiap klasternya kemudian akan dihitung nilai expected return portofolio DESIGNER
risiko portofolio
dari masing-masing klaster.
4.7 Menghitung Expected return portofolio dan Risiko Portofolio
Expected return portofolio dihitung menggunakan persamaan (2.8) dengan nilai expected
return setiap klaster pada Lampiran 5 dan kombinasi bobot setiap klaster pada Lampiran 7.
Sebagai contoh perhitungan expected return portofolio pada klaster P3 sebagai berikut:

ILLUSTRATION

UI / UX DESIGNER
4.7 Menghitung Expected return portofolio dan Risiko Portofolio
Selanjutnya risiko portofolio dihitung menggunakan persamaan (2.12) dengan matriks
varians kovarian setiap klaster pada Lampiran 6 dan kombinasi bobot setiap klaster pada
Lampiran 8. Sebagai contoh perhitungan risiko portofolio pada klaster P3 sebagai berikut:

ILLUSTRATION

UI / UX DESIGNER
UI / UX DESIGNER
4.8 Pengukuran Kinerja Portofolio dengan Rasio Sharpe
pengukuran kinerja portofolio dengan rasio Sharpe yakni melakukan evaluasi terhadap expected
return portofolio yang menghasilkan return lebih besar dari benchmark. nilai benchmark pana
penelitian ini menggunakan nilai rata-rata harian suku bunga Bank Indonesia selama periode penelitian
berlangsung sebesar 0,19% atau 0,0019 (www.bi.go.id). Rasio Sharpe dihitung menggunakan
persamaan (2.15) sebagai contoh dihitung nilai rasio Sharpe pada klaster P3
 Berdasarkan Tabel 4.6 dapat dilihat bahwa nilai Rasio Sharpe dari klaster P4 paling besar
daripada nilai rasio Sharpe dari klaster lainnya. Dengan demikian menunjukan bahwa
klaster P4 merupakan portofolio dengan kinerja paling baik apabila dibandingkan dengan
klaster yang lain berdasarkan perhitungan rasio Sharpe.
 INTEPRETASI
HASIL

P1

P2

P3

P4
 INTEPRETASI
HASIL

P1

P2

P3

P4
 BAB V
SIMPULAN P4

75 Saham