Publisher

RESCOLLACOMMRESCOLLACOMM

Journal International Journal of Quantitative Research and ModelingInternational Journal of Quantitative Research and Modeling Abstract

Penelitian ini mengembangkan portofolio saham terdiversifikasi dengan mengintegrasikan model Mean‑Value at Risk (Mean‑VaR) dan clustering K‑Medoids. Pendekatan ini mengelompokkan saham berdasarkan karakteristik risiko‑return yang serupa sebelum tahap optimasi portofolio. Data yang digunakan berupa harga penutupan harian saham konstituen indeks LQ45 dari 3 Februari hingga 31 Juli 2025, yang diperoleh dari Bursa Efek Indonesia dan Yahoo Finance. Dari 45 saham LQ45, 18 saham memenuhi kriteria kelengkapan data, likuiditas, stabilitas kapitalisasi pasar, dan representasi sektoral. Clustering dilakukan menggunakan expected return dan Value at Risk (VaR) pada tingkat kepercayaan 95% sebagai variabel input. Struktur clustering terbaik terdiri dari dua klaster dengan Silhouette Index sebesar 0,6882. Klaster pertama mencakup saham agresif dengan return harapan relatif tinggi dan risiko downside yang lebih besar, termasuk ANTM, BRPT, AMMN, dan MDKA. Klaster kedua mencakup saham defensif dengan risiko lebih rendah dan return yang lebih stabil, termasuk INDF, ASII, ICBP, BBCA, dan TLKM. Portofolio Mean‑VaR optimal dibangun dengan batas alokasi minimum antar‑klaster sebesar 30 % untuk klaster agresif dan 70 % untuk klaster defensif. Portofolio yang dihasilkan menghasilkan return harian sebesar 0,003272 dan VaR 95 % sebesar –0,029053. Hasil ini menunjukkan bahwa clustering K‑Medoids dapat mendukung diversifikasi portofolio dengan mengidentifikasi kelompok risiko‑return yang berbeda serta meningkatkan kontrol risiko dalam alokasi investasi.

Conclusion

Penelitian ini mengembangkan model diversifikasi portofolio saham berbasis Mean‑VaR yang dipadukan dengan clustering K‑Medoids menggunakan data LQ45 periode 3 Februari–31 Juli 2025, menghasilkan dua klaster (agresif dan defensif) dengan Silhouette Index 0,6882.Optimasi Mean‑VaR dengan batas alokasi antar‑klaster (30 % agresif, 70 % defensif) menghasilkan portofolio dengan ekspektasi return harian 0,003272 dan VaR 95 % –0,029053, menunjukkan kemampuan integrasi K‑Medoids dalam mengidentifikasi kelompok risiko‑return yang berbeda serta meningkatkan kontrol risiko.Penelitian selanjutnya disarankan untuk menambahkan variabel seperti beta pasar, volume perdagangan, indikator fundamental, atau sentimen pasar, serta menguji model pada berbagai kondisi pasar termasuk masa krisis untuk menilai stabilitas struktur klaster dan kinerja portofolio.

Future Research

Penelitian selanjutnya dapat menyelidiki bagaimana penambahan variabel faktor pasar, seperti beta saham, volume perdagangan harian, dan indikator fundamental (misalnya rasio price‑to‑earnings atau return on assets) memengaruhi proses clustering K‑Medoids serta kinerja portofolio Mean‑VaR yang dihasilkan. Selanjutnya, penting untuk menguji kestabilan model ini pada rentang waktu yang lebih panjang dan pada berbagai rezim pasar, termasuk periode bullish, bearish, serta fase krisis ekonomi, guna mengevaluasi apakah struktur dua klaster tetap konsisten dan bagaimana profil risiko‑return berubah. Selain itu, perbandingan antara algoritma K‑Medoids dengan teknik clustering yang lebih tahan terhadap outlier, seperti DBSCAN atau hierarchical clustering, dapat memberikan wawasan tentang metode yang paling efektif untuk mengidentifikasi kelompok saham dengan karakteristik risiko‑return yang serupa. Analisis sensitivitas terhadap perubahan bobot alokasi antar‑klaster juga dapat dilakukan untuk menentukan strategi penyesuaian dinamis sesuai dengan volatilitas pasar. Penelitian-penelitian tersebut diharapkan dapat memperluas pemahaman tentang diversifikasi portofolio yang berbasis data kuantitatif dan meningkatkan ketahanan strategi investasi di pasar saham Indonesia.

Metadata

File size	419.54 KB
Pages	8
DMCA	Report