Pembentukan Portofolio Optimal Menggunakan Gabungan Algoritma Genetik dan Particle Swarm Optimization Berdasarkan Analisis Klaster=Optimal Portfolio Formation Using a Combination of Genetic Algorithms and Particle Swarm Optimization Based on Cluster Analysis

Pembentukan portofolio optimal merupakan salah satu strategi investor dalam mengalokasikan dananya sehingga meminimalkan risiko sekaligus memaksimalkan keuntungan. Metode pembentukan portofolio optimal telah mengalami perkembangan selama bertahun-tahun, mulai dari metode perhitungan yang sederhana, sampai menggunakan algoritma optimasi yang rumit. Penelitian ini bertujuan untuk mengelompokkan saham LQ-45 melalui algoritma clustering, lalu menentukan pembobotan saham perwakilan setiap klaster yang tepat melalui gabungan GA-PSO sehingga dihasilkan portofolio optimal. Penelitian dimulai dengan pre-processing data yang meliputi transformasi dan pengurangan dimensi data. Data hasil pengurangan dimensi digunakan untuk mengelompokkan saham-saham menjadi beberapa klaster berdasarkan algoritma clustering terbaik. Saham dengan rasio Sharpe tertinggi di setiap klaster digunakan untuk membentuk portofolio. Kinerja dari portofolio hasil pembobotan menggunakan GA-PSO akan dibandingkan dengan portofolio hasil pembobotan menggunakan PSO. Hasil penelitian menunjukkan bahwa algoritma K-Means menjadi metode clustering dengan skor silhouette tertinggi, yakni sebesar 0.3614, serta jumlah klaster optimal yang dihasilkan sebesar 6. Berdasarkan hasil algoritma K-Means, saham-saham perwakilan klaster yang digunakan untuk pembentukan portofolio adalah ANTM, BRPT, EXCL, MDKA, MEDC, dan PTBA. Selanjutnya, hasil penelitian menunjukkan bahwa rasio Sharpe portofolio saham menggunakan gabungan GA-PSO lebih besar daripada portofolio yang menggunakan PSO saja untuk pembobotannya. Algoritma K-Means lebih cocok dalam mengelompokkan saham daripada algoritma DBSCAN dan Agglomerative dengan Average Linkage. Lebih lanjut, gabungan algoritma genetik dan particle swarm optimization saling melengkapi dalam melakukan pembobotan saham sehingga menghasilkan portofolio dengan kinerja yang lebih optimal jika dibandingkan dengan hanya menggunakan particle swarm optimzation saja.