Hasil Pencarian  ::  Simpan CSV :: Kembali

"Optimisasi portofolio adalah masalah fundamental pada lingkungan keuangan, dimana investor membentuk portofolio yang sesuai dengan yang diharapkan dengan mendapatkan return optimal dan risiko minimal. Pada skripsi ini, membahas masalah optimisasi portofolio dengan kendala di bidang keuangan seperti biaya transaksi, kardinalitas, dan kuantitas dibawah asumsi bahwa return dari aset berisiko adalah bilangan fuzzy. Karena hal tersebut, digunakan model optimisasi portofolio yaitu, mixed integer model nonlinear programming problem. Pertama, data saham di diversifikasi berdasarkan 7 skor rasio finansial EPS, PER, PEG, ROE, DER, Current Ratio dan Profit Margin dengan Agglomerative Clustering untuk menghasikan klaster yang homogen berdasarkan risiko. Selanjutnya, setiap klaster dicari proporsi dalam portofolio dengan menggunakan algoritme heuristik yaitu modified artificial bee colony MABC algorithm, dimana pada algoritme tersebut terdapat proses inisialisasi populasi yang dibangun berdasarkan pendekatan chaotic initialization. Pada akhirnya, return yang dihasilkan dibandingkan dengan S P 500 index return 12,34 dan Sharpe ratio 2,7 . Hasil dari performa Agglomerative Clustering Modified Artificial Bee Colony Algoritm yang dievaluasi menggunakan data aktual, menghasilkan nilai tertinggi dari rata-rata return sebesar 29,96 dan Sharpe ratio sebesar 17,562.

---

Portfolio optimization problem is a fundamental matter in the financial environment, where the investors form a satisfactory portfolio by obtaining optimal return and minimal risk. In this undergraduate thesis, we discuss the portfolio optimization problem with real world constraints such as transaction costs, cardinality, and quantity under the assumption that the returns of risky assets are fuzzy numbers. Thus, a mixed integer model nonlinear programming problem is discussed. At first, stock data is diversified based on their financial ratio scores the scores of EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin by using agglomerative clustering to produce a homogeneous cluster. Next, weight of each stock in the stock portfolio are determined using a modified artificial bee colony MABC algorithm, where in the algorithm there is a process of chaotic initialization approach. Finally, the obtained return will be compared to both the S P 500 index return 12,34 and Sharpe ratio 2,7. The results form the performance of Modified Artificial Bee Colony Algoritm with Agglomerative Clustering in portfolio optimization, evaluated based on some actual dataset show that the higher level of return is 29,96 and Sharpe ratio is 17,562."

"Optimisasi Portofolio bertujuan untuk melindungi investor dari segala risiko yang mungkin terjadi. Diversifikasi saham merupakan salah satu solusi untuk mengoptimalkan portofolio saham, dimana portofolio yang terdiversifikasi cenderung memiliki risiko yang lebih kecil dibandingkan dengan yang portofolio yang tidak terdiversifikasi. Agglomerative clustering merupakan salah satu metode hierarchical clustering. Untuk mengaplikasikan konsep diversifikasi, Agglomerative Clustering digunakan untuk mengelompokkan 40 saham berdasarkan pada 7 rasio finansial EPS, PER, PEG, ROE, DER, Current Ratio dan Profit Margin. Genetic algorithm GA adalah metode pencarian berdasarkan prinsip seleksi alam dan genetika. Setelah saham dikelompokkan, Genetic algorithm dengan heuristic crossover diaplikasikan pada tiap klaster untuk menentukan proporsi dari tiap saham. Dalam skripsi ini, model optimisasi possibilistic mean-semi-absolute deviation digunakan dimana kardinalitas, kuantitas, dan biaya transaksi dipertimbangkan sebagai kendala, dimana return dari aset diasumsikan merupakan bilangan fuzzy. Implementasi metode menghasilkan tingkat return 29.77 dan Sharpe Ratio 18.7097 yang lebih tinggi dibandingkan dengan indeks S P 500 pada periode waktu yang sama 12.34 dan 2.7 secara berurutan.

---

Portfolio optimization aims to protect investors against any risks which they may experience. Stock diversification is one of the solutions to optimize stock portfolio, where a diverse portfolio tends to have less risk then the undiversified one. Agglomerative clustering is one of hierarchical clustering method. To apply diversification concept, Agglomerative Clustering is used to cluster 40 different assets based on their financial ratio scores EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin. Genetic algorithms GA are search methods based on principles of natural selection and genetics. After the stocks are clustered, Genetic algorithm with heuristic crossover is applied on each cluster alongside to determine the weight of each stock. In this thesis, a possibilistic mean semi absolute deviation optimization model is used where cardinality, quantity, and transaction cost are considered as constraints, where the returns of risky assets are assumed as fuzzy numbers. The implementation shows that the method gave a higher level of return 29.77 and Sharpe ratio 18.7097 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively."

"Dalam berinvestasi, investor menginginkan portofolio optimal yang menghasilkan return tinggi dengan risiko yang rendah. Terdapat berbagai model optimisasi portofolio, salah satunya adalah model Mean-Variance (MV). Metode ini meminimalkan variansi portofolio yang merepresentasikan risiko dari sebuah investasi. Dalam menyelesaikan permasalahan optimisasi portofolio dapat digunakan metode heuristik, salah satunya adalah Artificial Bee Colony. Metode ini terinspirasi dari pergerakan koloni lebah madu dalam mencari makanan. Pada skripsi ini dibahas model optimisasi portofolio Cardinality-constrained Mean-variance(CCMV) yang memodifikasi model MV dengan menambahkan kendala kardinalitas, kendala kuantitas, serta parameter tingkat toleransi risiko investor. Untuk menyelesaikan masalah optimisasi portofolio menggunakan model CCMV, digunakan metode heuristik Improved Quick Artificial Bee Colony (iqABC) yang merupakan perkembangan metode ABC. Penggunaan metode iqABC dengan model CCMV menghasilkan portofolio dengan rata-rata return dan nilai sharpe ratio yang lebih baik dibandingkan dengan pasar.

---

In Investing, investor wants an optimal portfolio that generates high return with low risk. There are many portfolio optimization models, one of them is Mean-Variance (MV) model. This model minimizes the portfolio variances that represents the risk in investment. The Artificial Bee Colony (ABC) is an heuristic method to solve the portfolio optimization problems. This method inspired by the movement of honey bee colony when searching for foods. In this study, the Cardinality-constrained Mean-Variance (CCMV) model & Improved Quick Artificial Bee Colony (iqABC) method are used. In this case, the CCMV model is the modification of the MV model by adding the cardinality constraint, quantity constraints, and the investor risk tolerance parameter. Meanwhile, the iqABC method is the development of the ABC method. The used of iqABC method on CCMV model generates a portfolio that gives better returns and sharpe ratio compared to the market."

"Diversifikasi portofolio telah dijadikan solusi dalam memitigasi risiko dalam berinvestasi. Tujuan utama diversifikasi portofolio adalah untuk mengurangi variansi return dibandingkan dengan investasi pada satu saham tertentu. Metode Clustering, misalnya Agglomerative Clustering, digunakan untuk mengelompokkan saham-saham ke dalam masing-masing klaster yang homogen berdasarkan risiko. Klaster-klaster yang terbentuk kemudian akan digunakan sebagai acuan diversifikasi portofolio. Objek yang digunakan dalam metode clustering adalah 7 skor rasio finansial PER, EPS, PEG, DER, ROE, Current Ratio dan Profit Margin dari setiap saham. Selanjutnya, proporsi dari setiap saham pembentuk portofolio ditentukan melalui aplikasi Genetic Algorithm ke masing-masing klaster. Pada penelitian ini, metode Genetic Algorithm dibangun berdasarkan model MVCCPO sehingga membentuk metode Genetic Algorithm Constrained. Performa dari Agglomerative Clustering Genetic Algorithm Constrained yang dievaluasi menggunakan data aktual, menghasilkan portofolio yang mampu mengalahkan return portofolio pasar dan memiliki rata-rata return yang lebih besar dibandingkan dengan portofolio yang dikonstruksi dengan metode Genetic Algorithm saja. Namun, dengan hubungan linear antara risiko dan return, adalah masuk akal bahwa portofolio dengan return yang lebih besar akan memiliki risiko yang lebih besar pula.

---

The purpose of portfolio diversification is to reduce the return rsquo s variance risk compared with a single stock investment or undiversified portfolio. The primary motivation of this research is to investigate the portfolio selection strategies through clustering and genetic algorithm. Clustering serves as a method to cluster assets with similar financial ratio scores the scores of EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin. By clustering method such as Agglomerative Clustering, stocks with similar risk profile are clustered together and the clusters produced can be used in diversifying portfolio. Genetic Algorithm will then be applied to each resulting cluster to obtain the optimal proportion of each stock in the portfolio.

The Genetic Algorithm used in this study is built from the MVCCPO model hence making it a Constrained Genetic Algorithm. The performance of Constrained Genetic Algorithm refined with Agglomerative Clustering in portfolio optimization, evaluated based on some actual datasets, gives a portfolio that beats the market and has bigger expected return than a portfolio constructed with only Genetic Algorithm. Due to the direct relationship of risk and return, it is logical to expect portfolio with a bigger return would have a bigger risk."

"Masalah optimisasi portofolio adalah masalah untuk mencari portofolio dengan return maksimal dan risiko minimal. Pada skripsi ini, digunakan model optimisasi portofolio multi objektif. Algoritma Multi-objective Co-variance based Artificial Bee Colony M-CABC digunakan untuk menyelesaikan masalah optimisasi portofolio. Algoritma M-CABC merupakan pengembangan dari algoritma Artificial Bee Colony ABC menggunakan konsep kovariansi statistik dan dipakai untuk masalah optimisasi portofolio. Implementasi dilakukan dengan menggunakan lima sampel data OR-Lib; port1, port2, port3, port4, dan port5. Hasil yang didapat dibandingkan dengan unconstrained efficient frontier dari lima sampel data. Dari hasil simulasi, Algoritma M-CABC menghasilkan solusi yang cukup dekat dengan solusi pada unconstrained efficient frontier.

---

Portfolio optimization problem is a problem to find portfolio with maximum return and minimum risk. In this skripsi, multi objective portfolio optimization model is used. Multi objective Co variance based Artificial Bee Colony M CABC algorithm is used to solve porto folio optimization problem. M CABC algorithm is developed from Artificial Bee Colony ABC algorithm using statistical co variance concept and is used for portfolio optimization problem. Implementation is done using five OR Lib data samples port1, port2, port3, port4, dan port5. Obtained results is compared with unconstrained efficient frontier of five data samples. From simulation results, M CABC algorithm gives solutions that is near solutions on the unconstrained efficient frontier."

"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."

"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."

"Kereta listrik adalah salah satu mode transportasi yang paling banyak digunakan oleh masyarakat Indonesia. Selain biayanya yang ekonomis, kereta listrik dapat mengantarkan penggunanya ke tujuan dengan lebih cepat dibandingkan kendaran lain seperti mobil atau motor yang rentan terjebak kemacetan lalu lintas. Mengingat kebergantungan masyarakat yang cukup besar terhadap kereta lisrik, maka dibutuhkan penelitian lebih lanjut untuk meningkatkan tingkat efisiensinya. Salah satu bentuk peningkatan efisiensi adalah dengan mengurangi nilai energi yang dihabiskan oleh kereta listrik saat beroperasi. Pengoptimalan kereta listrik dalam segi konsumsi energi dapat dilakukan dengan bantuan algoritma Artificial Bee Colony (ABC). Algoritma ABC adalah algoritma yang meniru perilaku koloni lebah madu dalam mencari solusi. Skripsi ini menunjukkan hasil pengaplikasian algoritma ABC dalam menemukan solusi berupa nilai konsumsi energi terkecil.

---

An electric train is one of the most widely used modes of transportation used by Indonesians. Aside from being economical, an electric train can take their users to their destinations quicker than vehicles such as cars or motorbikes which are prone to getting stuck in traffic jams. Given how dependent the community is on electric trains, further research is needed to increase the level of efficiency. One form of increasing the efficiency of an electric train is to reduce the value of the energy consumed by the electric train while operating. Optimizing electric trains in terms of energy consumption can be done with the help of the Artificial Bee Colony (ABC) algorithm. The ABC algorithm is an algorithm that mimics the behavior of honeybee colonies in finding solutions. This thesis shows the results of applying the ABC algorithm in finding a solution in the form of the smallest energy consumption value."

"Optimisasi portofolio saham bertujuan untuk memberikan return yang maksimal dan risiko yang minimum. Salah satu cara untuk mendapatkan portofolio optimum adalah diversifikasi. Diversifikasi adalah pemilihan portofolio dengan mempertimbangkan pengalokasian dana ke berbagai saham yang berbeda dengan tujuan penyebaran risiko. Pada skripsi ini, algoritma Extension of Nondominated Sorting and Local Search (e-NSLS) digunakan untuk menghitung proporsi setiap saham. Kemudian, untuk mencari portofolio optimum dari proporsi yang telah diperoleh, digunakan model optimisasi portofolio Possibilistic Semiabsolute Deviation yang mempertimbangkan biaya transaksi, kendala kardinalitas, dan kendala kuantitas, dengan asumsi return setiap saham adalah bilangan fuzzy. Metode ini menghasilkan nilai tertinggi dari rata-rata return sebesar 36,04% dan Sharpe Ratio sebesar 28,75, yang lebih tinggi daripada S&P 500 Index dengan rata-rata return 12,34% dan Sharpe Ratio 2,7.

---

Stock portfolio optimization aims to provide maximum return and minimum risk. One way to get an optimum portfolio is diversification. Diversification is portfolio selection by considering allocation funds to different stocks with aim to spreading the risk. In this thesis, Extension of Nondominated Sorting and Local Search (e-NSLS) is used to calculate the proportion of each stock. Then, to find the optimum portfolio from proportions that have been obtained, we use Possibilistic Semiabsolute Deviation model, which considers transaction costs, cardinality constraints, and quantity constraints, and assuming the return of each stock is fuzzy numbers. This method produces the highest value of the average return 36,04% and Sharpe Ratio 28,75, which is higher than the S&P Index with an average return 12,34% and Sharpe Ratio 2,7."

"[ABSTRAKPenelitian ini terdiri dari dua tahap. Growing self-organizing map (GSOM) algorithm danhybrid bee colony optimization (BCO) dan self-organizing map (SOM) untuk mengimproveSOM performance. Pada tahap pertama GSOM digunakan untuk menentukan SOM topologydan pada tahap kedua, hybrid BCOSOM digunakan untuk mengadjust SOM weights. MetodeBCOSOM akan dibandingkan dengan metode PSO, BCO, SOM, PSOSOM, SOM+PSO, danSOM+BCO dengan menggunakan 4 benchmark data sets (Iriss, Glass, Wine, dan Vowel).Dari hasil komputasi menunjukkan bahwa metode BCOSOM dapat mencari solusi yang lebihbaik dari algoritma lainnya. Dari hasil tersebut, BCOSOM digunakan pada GroupTechnology untuk menentukan part families pada komponen plat disebuah perusahaanmedical furniture di Yogyakarta.

---

ABSTRACTABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia ; ABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia ; ABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia , ABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia ]"