Pemodelan goal programming dan dualitas bagi fungsi resiko L1 untuk optimasi portofolio serta analisis regresinya
View/ Open
Date
2000Author
Puspitasari, Yeni
Aidi, Muhammad Nur
Hanum, Farida
Metadata
Show full item recordAbstract
Pemrograman linear merupakan alat riset operasi yang paling efektif. Model ini menyelesaikan kasus dengan cara memaksimumkan atau meminimumkan fungsi tujuan terhadap suatu susunan kendala. Hanya saja jika memiliki beberapa tujuan atau sasaran yang hendak dicapai, model ini tidak dapat menyelesaikannya.
Model goal programming yang diperkenalkan oleh A. Chames & W.W. Cooper pada tahun 1961 merupakan perluasan dari model pemrograman linear yang dapat menyelesaikan masalah yang menghendaki pencapaian aneka tujuan. Salah satu penerapan model ini yang cukup menarik adalah masalah investasi portofolio. Analisis goal programming meminimumkan tingkat resiko dari masing- masing saham yang ditawarkan. Model resiko yang digunakan adalah model fungsi resiko L oleh Konno & Yamazaki (1991) yang merupakan modifikasi model fungsi resiko Markowitz.
Pemodelan goal programming bagi fungsi resiko L, menghadirkan variabel deviasional, v, dan w,, yang selalu bernilai positif (syarat ketaknegatifan). Variabel deviasional, yang menampung penyimpangan atau deviasi yang akan terjadi pada fungsi kendala, akan diminimumkan di dalam fungsi tujuan. Kemudian untuk mendapatkan solusi optimal digunakan perangkat lunak Linear Interactive Discrete Optimizer (LINDO). Dualitas digunakan untuk menentukan kondisi frontier yang efisien (efficient frontier) yang merupakan tujuan utama dalam perencanaan portofolio. Kondisi ini menggambarkan keuntungan maksimum bagi sekumpulan portofolio untuk setiap level tingkat resiko. Kondisi efficient frontier akan terpenuhi jika variabel dualnya, dan y, bernilai positif.
Analisis regresi dilakukan untuk menduga model keuntungan r(t) yang dibuat dalam bentuk linear, r(t) = a + bi+ &, dengan sebagai periode waktu dan & merupakan galat. Pendugaan model ini dapat juga dilakukan dengan menggunakan model goal programming yang mempunyai jumlah galat yang lebih kecil dibandingkan dengan analisis regresi. Hanya saja model goal programming tidak mampu menghitung koefisien determinasinya (R), yang mengukur proporsi keragaman. Dengan kata lain baliwa penghitungan koefisien regresi linear dengan model goal programming lebih tepat dilakukan jika fungsi yang dibangun benar-benar linear.
Collections
- UT - Mathematics [1377]