Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemilihan portofolio adalah salah satu bidang penelitian yang menarik dan penting di bidang keuangan karena masa depan dan ketidak beraturan pasar keuangan yang tidak dapat diprediksi. Setiap investor berharap mendapatkan tingkat pengembalian yang tinggi untuk portofolio mereka dengan risiko sekecil mungkin dan hal ini sulit dicapai, sehingga investor mencoba menyeimbangkan kinerja dan risiko portofolio melalui diversifikasi. Tujuan penelitian ini adalah untuk menyelidiki strategi pemilihan portofolio melalui metode clustering dan Genetic Algorithm. Clustering digunakan untuk diversifikasi portofolio dengan membentuk sekelompok aset homogen berdasarkan karakteristik rasio keuangan mereka. Ada tujuh rasio keuangan yang akan digunakan, yaitu EPS, PER, PEG, ROE, DER, Current Ratio, dan Profit Margin. Dalam skripsi ini digunakan algoritma Density Based Clustering of Application with Noise sebagai metode clustering DBSCAN. Setelah fase clustering, Genetic Algorithm digunakan untuk membentuk portofolio optimum. Genetic Algorithm secara otomatis memilih portofolio dengan risiko dan pengembalian yang optimal berdasarkan hasil clustering dengan memutuskan aset dan bobot masing-masing yang akan dimasukkan dalam portofolio. Algoritma genetika didasarkan pada model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO dan disebut metode Genetic Algorithm dengan kendala. Metode ini berhasil memberikan tingkat pengembalian dan Sharpe ratio yang lebih tinggi 25,35 dan 17,20 dibandingkan dengan indeks S P 500 pada periode waktu yang sama dengan tingkat pengembalian dan Sharpe ratio masing-masing 12,34 dan 2,7.

---

Portfolio selection is one of the interesting and important fields of research in finance because of the unpredictable future and randomness of the financial market. Every investor is hoping to get a high rate of return for their portfolio with as little risk as possible, which is hard to achieve, so investors try to balance the performance and risk of the portfolio through diversification. The motivation of this research is to investigate the portfolio selection strategies through clustering method and application of genetic algorithm. Clustering is used to diversify the portfolio by forming a homogenous cluster of assets with respect to their financial ratios characteristic. There are seven financial ratio characteristics that is used, they are EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin.

In this thesis, Density Based Clustering Algorithm with Application of Noise used as the clustering method DBSCAN. After the clustering phase, genetic algorithm used for portfolio selection. Genetic Algorithm automatically select the optimum risk and return portfolio based on the clustered asset by deciding which assets and their respective weights included in the portfolio. The genetic algorithm is based on the Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO model and called a Constrained Genetic Algorithm. The method succesfully give a higher level of return 25,35 and Sharpe ratio 17,20 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."

"Banyaknya pulau di Indonesia menyebabkan adanya tantangan untuk menjaga konektivitas antar pulaunya, mendorong untuk dibutuhkannya moda transportasi agar meningkatkan konektivitas antar pulau khususnya di wilayah 3T. Di masa ini pelayaran perintis menjadi moda transportasi yang ditugaskan oleh pemerintah guna melayani daerah 3T. Namun, pada penerapannya pelayaran perintis masih dinilai kurang optimal sehingga perlu dilakukannya optimasi. Optimasi merupakan aktifitas yang bertujuan untuk mendapatkan nilai maksimal atau minimal berdasarkan fungsi dan tujuan yang ingin dicapai, dengan tetap memenuhi fungsi kendala yang berlaku. Optimasi dinilai penting untuk keberlanjutan akses transportasi laut khususnya pelayaran perintis di Sulawesi Selatan-Nusa Tenggara. Seluruh Pelabuhan yang dilayani trayek pelayaran perintis diklasterkan menggunakan metode Density Based Spatial Clustering of Applications with Noise (DBSCAN). Penelitian ini ditujukan untuk memberikan rekomendasi untuk optimasi rute pelayaran perintis. Terdapat 3 klaster yang terbentuk untuk menyesuaikan ketersediaan kapal perintis yang berjumlah 3 kapal. Masing-masing klaster dilakukan optimasi menggunakan Travelling Salesman Problem (TSP). Hasil optimasi didapatkan lebih optimal dengan total jarak tempuh rata-rata di ketiga klaster yang terbentuk sebesar 630 NM dibandingkan dengan rute eksisting sebesar 1211 NM dengan penurunan sebesar 48%

---

The large number of islands in Indonesia poses a challenge to maintain connectivity between islands, encouraging the need for modes of transportation to increase inter-island connectivity, especially in the 3T region. At this time perintis shipping became a mode of transportation assigned by the government to serve the 3T areas. However, in its implementation, perintis shipping is still considered less than optimal, so optimization is needed. Optimization is an activity that aims to get the maximum or minimum value based on the function and goals to be achieved, while still meeting the applicable constraints. Optimization is considered important for the sustainability of access to sea transportation, especially perintis shipping in South Sulawesi-Nusa Tenggara. All ports served by perintis shipping routes are clustered using the Density Based Spatial Clustering of Applications with Noise (DBSCAN) method. This research is intended to provide recommendations for optimizing perintis shipping routes. There are 3 clusters formed to adjust the availability of perintis ships, which total 3 ships. Each cluster is optimized using the Traveling Salesman Problem (TSP). Optimization results obtained are more optimal with the total average mileage in the three clusters formed of 630 NM compared to the existing route of 1211 NM with a decrease of 48%."

"Banyaknya pulau di Indonesia dibutuhkan moda transportasi untuk meningkatkan konektivitas antar pulau khususnya di wilayah 3T. Saat ini pelayaran perintis menjadi moda transportasi yang tugaskan oleh pemerintah untuk melayani daerah 3T. Namun rute pelayaran perintis saat ini belum optimal dan tidak merata sehingga perlu dilakukan optimasi. Optimasi adalah merupakan aktivitas yang bertujuan untuk mendapatkan hasil terbaik nilai paling maksimal atau minimal bedasarkan fungsi dan tujuan yang ingin dicapai, dan tetap memenuhi fungsi kendala yang berlaku. Optimasi sendiri merupakan metode yang cukup penting untuk keberlanjutan akses transportasi laut khususnya pelayaran perintis di Kepulauan Maluku. Seluruh pelabuhan yang dilayani oleh pelayaran perintis diklasterkan menggunakan metode clustering Density-Based Spatial Clustering of Application with Noise (DBSCAN). Penelitian ini bertujuan untuk memberikan rekomendasi kebijakan untuk optimasi rute pelayaran perintis. Terdapat 7 klaster yang terbentuk untuk menyesuaikan ketersediaan kapal perintis yang berjumlah 7 kapal. Setiap klaster masing-masing dilakukan optimasi menggunakan Travelling Salesman Problem (TSP). hasil optimasi jauh lebih optimal dengan total jarak tempuh di tujuh klaster yang terbentuk sebesar 3101 NM dibandingkan dengan rute existing sebesar 6730 penurunan sebesar 53.92%.

---

The number of islands in Indonesia requires a mode of transportation to improve inter-island connectivity, especially in the 3T region. Currently pioneer shipping is a mode of transportation assigned by the government to serve the 3T area. However, the current perintis shipping route is not optimal and uneven, so optimization needs to be done. Optimization is an activity that aims to get the best results with the maximum or minimum value based on the function and objectives to be achieved, and still fulfill the function of the applicable constraints. Optimization itself is a method that is quite important for the sustainability of sea transportation access, especially perintis shipping in the Maluku Islands. All ports served by pioneer shipping are clustered using the Density-Based Spatial Clustering of Application with Noise (DBSCAN) clustering method. This study aims to provide policy recommendations for the optimization of pioneer shipping routes. There are 7 clusters formed to match the availability of 7 pioneer ships. Each cluster is optimized using the Traveling Salesman Problem (TSP). optimization results are much more optimal with the total distance traveled in the seven clusters formed of 3101 NM compared to the existing route of 6730, a decrease of 53.92%."

"Density-Based Spatial Clustering of Application with Noise (DBSCAN) merupakan salah satu metode klastering berdasarkan kepadatan data yang menggunakan parameter radius jarak dari titik data tersebut dan jumlah minimal titik data untuk menghasilkan sebuah klaster. Traveling Salesman Problem (TSP) merupakan aplikasi dari optimasi yang menentukan sebuah rute yang diawali dan diakhiri di titik yang sama dengan hasil jarak paling minimum. Permasalahan konektivitas pelayaran perintis merupakan bagian yang sangat penting untuk menjaga agar daerah 3T (Terdepan, Terpencil, dan Tertinggal) terkoneksi. Wilayah Papua Barat memiliki moda transportasi yang terbatas dan Indeks Desa Membangun (IDM) yang paling rendah yaitu 0.5045 yang mengakibatkan tingginya angka desa 3T pada wilayah tersebut, untuk meningkatkan angka IDM di wilayah tersebut dibutuhkan moda transportasi yang dapat diakses secara rutin untuk merangsang perekonomian dan mobilitas penduduk. Penelitian ini bertujuan untuk mendapatkan rute pelayaran baru dengan meminimalkan jarak dan waktu tempuh. Dengan menggunakan DBSCAN dan TSP diperoleh 7 rute baru untuk 7 unit kapal perintis, dengan total jarak yaitu 3393 Nautical Miles dan rata-rata waktu pelayaran yaitu 3 hari, frekuensi kunjungan dapat dilakukan 4 kali dalam 12 hari pelayaran.

---

The Density-Based Spatial Clustering of Application with Noise (DBSCAN) is a clustering method based on data density that uses the radius parameter of the distance from the data point and the minimum number of data points to create a cluster. Traveling Salesman Problem (TSP) is an optimization application that determines a route that starts and ends at the same point with the minimum distance. The problem of pioneer ship connectivity is a very important for part of connecting the Isolated Places in Indonesia. The West Papua region is one of the regions in Indonesia that has limited transportation modes and the lowest Village Development Evaluation is 0.5045, Affecting the high number of underdeveloped villages in that region. Therefore, to increase the Village Development Evaluation number in West Papua, hence the underdeveloped villages can be accessed regularly to stimulate the economy and mobility. This research aims to obtain a new shipping route by minimizing the distance and travel time. By using DBSCAN and TSP, 7 new routes were obtained for 7 pioneer ships, with a total distance is 3393 Nautical Miles and an average voyage time are 3 days, the frequency of visits can be done 4 times in a 12-day cruise."

"Guna mempersiapkan kebutuhan yang terencana dan tidak terencana di masa depan, perlu adanya investasi sejak dini. Dalam berinvestasi, seorang investor dihadapkan pada permasalahan dalam menentukan jumlah aset yang optimal dan proporsi modal pada masing-masing aset dalam menyusun portofolio investasinya. Masalah ini adalah masalah pengoptimalan portofolio. Dalam menyusun portofolio perlu dilakukan diversifikasi yaitu menggabungkan aset dengan karakteristik yang berbeda untuk mengurangi risiko investasi. Clustering dapat digunakan sebagai strategi diversifikasi. Tujuan dari penelitian ini adalah untuk mengetahui strategi diversifikasi aset dalam portofolio dengan metode clustering Density Based Spatial Clustering of Applications with Noise (DBSCAN) dan memilih aset serta menentukan proporsi modal yang optimal pada setiap portofolio aset penyusun portofolio dengan Multi- objektif algoritma metaheurysitic Co-variance. Berbasis Artificial Bee Colony (M-CABC). DBSCAN adalah algoritma clustering berbasis kepadatan cluster yang dirancang untuk membentuk cluster dan menemukan noise dalam data. Algoritma M-CABC merupakan pengembangan dari algoritma Artificial Bee Colony (ABC) dengan menambahkan konsep statistic covariance untuk mempercepat konvergensi. Aset yang digunakan dalam penelitian ini adalah saham. Kami menggunakan lima data portfolio saham dengan persentase saham yang memiliki mean return negatif untuk setiap data yang berbeda. Implementasi dilakukan dalam tiga kasus metode yang berbeda: optimalisasi portofolio saham tanpa DBSCAN, optimalisasi portofolio saham dengan DBSCAN tanpa noise, dan optimalisasi portofolio saham dengan DBSCAN dengan noise. Hasilnya adalah besarnya persentase saham yang memiliki mean return pada data negatif berpengaruh terhadap pemilihan metode yang digunakan untuk memperoleh portofolio dengan risiko terkecil.

---

In order to prepare for planned and unplanned needs in the future, it is necessary to invest from an early age. In investing, an investor is faced with problems in determining the optimal amount of assets and the proportion of capital in each asset in compiling his investment portfolio. This issue is a portfolio optimization problem. In compiling a portfolio, it is necessary to diversify, namely combining assets with different characteristics to reduce investment risk. Clustering can be used as a diversification strategy. The purpose of this study is to determine the diversification strategy of assets in portfolios with the Density Based Spatial Clustering of Applications with Noise (DBSCAN) clustering method and to select assets and determine the optimal proportion of capital in each portfolio compiler portfolio assets with the Multi-objective Co-variance metaheurysitic algorithm. . Based on Artificial Bee Colony (M-CABC). DBSCAN is a cluster density based clustering algorithm designed to form clusters and find noise in data. The M-CABC algorithm is a development of the Artificial Bee Colony (ABC) algorithm by adding the concept of statistical covariance to accelerate convergence. The assets used in this study are stocks. We use five stock portfolio data with the percentage of stocks that have a negative mean return for each of the different data. The implementation is carried out in three cases with different methods: optimization of stock portfolios without DBSCAN, optimizing stock portfolios with DBSCAN without noise, and optimizing stock portfolios with DBSCAN with noise. The result is the large percentage of stocks that have a mean return on negative data that affects the choice of the method used to obtain the portfolio with the smallest risk."