Upload
ngokhuong
View
226
Download
6
Embed Size (px)
Citation preview
10
BAB II
KAJIAN TEORI
Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang
berkaitan degan pemrograman linear, pemrograman nonlinear, fungsi konveks dan
konkaf, separable programming dan lagrange multiplier, teknik penarikan sampel,
saham, teori portofolio, dan kinerja portofolio. Kajian teori dalam penelitian ini
akan digunakan pada bab pembahasan selanjutnya.
A. Pemrograman Linear
Manusia selalu dihadapkan pada pilihan dan pengambilan keputusan.
Pada penyelesaian masalah dan pengambilan keputusan banyak sekali yang
berkaitan dengan optimalisasi. Optimalisasi dalam kehidupan manusia
memiliki tujuan pada setiap usahanya yaitu memperoleh hasil yang optimum
dengan modal sekecil mungkin (B Susanta, 1994:7). Riset operasi digunakan
untuk mengalokasikan sumber daya maupun sumber dana yang jumlahnya
terbatas sehingga lebih efektif dan efisien. Pemrograman linear merupakan
salah satu teknik yang terdapat pada riset operasi dalam memecahkan
permasalahan untuk mengalokasikan sumber daya yang ada menjadi seoptimal
mungkin. Model permasalahan linear secara umum terdiri dari fungsi tujuan
yang berupa persamaan linear atau hasil yang akan dicapai dan beberapa fungsi
kendala berupa persedian sumber daya yang ada. Berikut diberikan definisi dari
fungsi dan fungsi linear.
11
Definisi 2.1. Fungsi (Purcell, 1987:48). Sebuah fungsi f adalah suatu aturan
korespondensi yang menghubungkan setiap obyek x dalam satu himpunan yang
disebut daerah asal, dengan sebuah nilai tunggal f(x) dari himpunan ke dua.
Himpunan nilai yang diperoleh secara demikian disebut daerah hasil fungsi
tersebut.
Ilustrasi fungsi diberikan pada Gambar 2.1 di bawah ini:
Gambar 2. 1 Fungsi 𝑓: 𝑋 → 𝑌
Contoh 2.1
Jika 𝐹 adalah fungsi dengan aturan 𝐹(𝑥) = 𝑥2 + 1 dan jika daerah asal dirinci
sebagai {-1, 0, 1, 2, 3}, maka daerah hasilnya adalah {1, 2, 5, 10}.
Definisi 2.2. Fungsi Linear (Winston, 2004:52). Fungsi 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛)
merupakan fungsi linear jika dan hanya jika fungsi f dapat dituliskan
𝑓(𝑥1, 𝑥2, … , 𝑥𝑛) = 𝑐1𝑥1 + 𝑐2𝑥2 + … + 𝑐𝑛𝑥𝑛 dengan 𝑐1, 𝑐2, … , 𝑐𝑛 merupakan
konstanta.
Masalah pemrograman linear pada dasarnya memiliki ketentuan-
ketentuan berikut ini (Winston, 2004:53):
1. Masalah pemrograman linear berkaitan dengan upaya memaksimumkan
(pada umumnya keuntungan) atau meminimumkan (pada umumnya biaya)
1
2
3
a
b
c
𝑋 𝑓 𝑌
12
yang disebut sebagai fungsi tujuan dari pemrograman linear. Fungsi tujuan
ini terdiri dari variabel-variabel keputusan.
2. Terdapat kendala-kendala atau keterbatasan, yang membatasi pencapaian
tujuan yang dirumuskan dalam pemrograman linear. Kendala-kendala ini
dirumuskan dalam fungsi-fungsi kendala yang terdiri dari variabel-variabel
keputusan yang menggunakan sumber-sumber daya yang terbatas.
3. Ada pembatasan tanda untuk setiap variabel dalam masalah ini. Untuk
sebarang 𝑥𝑖, pembatasan tanda menentukan 𝑥𝑖 harus non negatif (𝑥𝑖 ≥ 0).
4. Memiliki sifat linearitas. Sifat ini berlaku untuk semua fungsi tujuan dan
fungsi-fungsi kendala.
Pencapaian hasil yang optimal diselesaikan dengan penyelesaian
persoalan secara matematis. Pemecahan persoalan secara matematis tersebut
harus memenuhi kriteria sebagai berikut (Zulian, 1991:1):
1. Variabel keputusan non-negative
2. Adanya fungsi tujuan (objective function) dari variabel keputusan dan dapat
digambarkan dalam satu set fungsi linear.
3. Terdapat kendala atau keterbatasan sumber daya maupun sumber dana yang
dapat digambarkan dalam satu set fungsi linear.
Pemrograman linear merupakan salah satu teknik atau metode riset
operasi yang digunakan untuk mendapatkan hasil yang optimal. Hasil tersebut
dapat berbentuk memaksimumkan maupun meminimumkan suatu fungsi tujuan
dengan kendala-kendala berupa fungsi linear.
13
Secara umum, masalah pemrograman linear dapat didefinisikan sebagai
berikut (Susanta, 1994:6):
Mencari 𝑥1, 𝑥2, … , 𝑥𝑛
yang memaksimumkan/meminimumkan
𝑓 = 𝑐1𝑥1 + 𝑐2 𝑥2 + … + 𝑐𝑛𝑥𝑛 (2.1)
dengan kendala
𝑎11𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛𝑥𝑛 (≤, =, ≥)𝑏1 (2.2a)
𝑎21𝑥1 + 𝑎22 𝑥2 + … + 𝑎2𝑛𝑥𝑛 (≤, =, ≥)𝑏2 (2.2b)
⋮
𝑎𝑚1𝑥1 + 𝑎𝑚2 𝑥2 + … + 𝑎𝑚𝑛𝑥𝑛 (≤, =, ≥)𝑏𝑚 (2.2c)
𝑥1 ≥ 0, 𝑥2 ≥ 0, … , 𝑥𝑛 ≥ 0. (2.2d)
Masalah pemrograman linear (2.1) dan (2.2) dapat dituliskan ulang
sebagai berikut
Mencari 𝑥1, 𝑥2, … , 𝑥𝑛
yang memaksimumkan/meminimumkan
𝑓(𝑥1, 𝑥2, … , 𝑥𝑛) = ∑ 𝑐𝑗𝑥𝑗𝑛𝑗=1 (2.3)
dengan kendala
𝑔(𝑥1, 𝑥2, … , 𝑥𝑛) = ∑ 𝑎𝑖𝑗𝑥𝑗𝑛𝑗=1 (≤, =, ≥)𝑏𝑖, ∀𝑖, 𝑖 = 1, 2, … , 𝑚 (2.4a)
14
𝑥𝑗 ≥ 0, ∀𝑗, 𝑗 = 1, 2, … , 𝑛. (2.4b)
Fungsi 𝑓(𝑥) pada permasalahan pemrograman linear sebagai fungsi
tujuan yang akan dioptimalkan. Persamaan maupun pertidaksamaan kendala
yang menjadi batasan pencapaian fungsi tujuan disebut fungsi kendala utama.
Sedangkan syarat nilai variabel keputusan harus lebih dari atau sama dengan
nol (𝑥𝑗 ≥ 0) disebut kendala-kendala tidak negatif. Setiap kendala dapat
berbentuk persamaan maupun pertidaksamaan. Fungsi-fungsi kendala dapat
bertanda sama dengan (=), lebih kecil atau sama dengan (≤), lebih besar atau
sama dengan (≥), atau kombinasi diantaranya (sebagian fungsi kendala
bertanda ≤ dan sebagian lainnya bertanda ≥). Penyelesaian masalah
pemrograman linear saat ini dapat diperoleh dengan beberapa metode di
antaranya yaitu metode aljabar, metode grafik, metode simpleks atau dengan
menggunakan perangkat lunak komputer (QSB, excel, dan matlab).
B. Pemrograman Nonlinear
Banyak kasus dalam penyelesaian masalah optimalisasi yang modelnya
tidak dapat dinyatakan dalam bentuk linear. Model yang berkaitan dengan
bentuk fungsi tujuan dan fungsi kendala, pada sebagian atau seluruh fungsi
tersebut merupakan fungsi nonlinear. Fungsi nonlinear dapat berbentuk fungsi
kuadrat, fungsi eksponen, fungsi logaritma, fungsi pecahan dan lain-lain.
Pemrograman nonlinear merupakan salah satu teknik dari riset operasi
untuk menyelesaikan permasalahan optimalisasi dengan fungsi tujuan yang
15
berbentuk nonlinear dan fungsi kendala berbentuk nonlinear atau linear
(Bazaraa, 2006:1).
Memilih 𝑛 variabel keputusan 𝑥1, 𝑥2, … , 𝑥𝑛 dari daerah layak yang
diberikan untuk mengoptimasi (maksimum atau minimum) fungsi tujuan yang
diberikan. Daerah layak adalah himpunan dari nilai-nilai (𝑥1, 𝑥2, … , 𝑥𝑛) yang
memenuhi sejumlah m kendala. Permasalahan pemrograman nonlinear secara
umum dapat didefinisikan sebagai berikut (Bradley, 1976) Memaksimumkan
atau meminimumkan fungsi tujuan
𝑓(𝑥1, 𝑥2, , … , 𝑥𝑛) (2.5)
Pemrograman nonlinear bentuk memaksimumkan atau meminimumkan
dapat ditulis sebagai berikut:
Memaksimumkan/Meminimumkan 𝑓(𝑥1, 𝑥2, , … , 𝑥𝑛) (2.6)
dengan kendala
𝑔1(𝑥1, 𝑥2, … , 𝑥𝑛)(≤, =, ≥)𝑏1 (2.7a)
𝑔2(𝑥1, 𝑥2, … , 𝑥𝑛)(≤, =, ≥)𝑏2 (2.7a)
⋮
𝑔𝑚(𝑥1, 𝑥2, … , 𝑥𝑛)(≤, =, ≥)𝑏𝑚. (2.7b)
Batasan non negatif pada variabel dapat dengan menambahkan kendala
non negatif sebagi berikut:
𝑥1 ≥ 0, 𝑥2 ≥ 0, … , 𝑥𝑛 ≥ 0. (2.8)
16
Persamaan (2.6) sampai dengan Persamaan (2.8) dapat dituliskan dalam
bentuk masalah optimalisasi yang lebih sederhana sebagai berikut:
Memaksimumkan/Meminimumkan 𝑓(𝑥1, 𝑥2, , … , 𝑥𝑛) (2.9)
dengan kendala
𝑔𝑖(𝑥)(≤, =, ≥)𝑏𝑖, ∀ 𝑖 = 1,2, 3, … , 𝑚 (2.10a)
𝑥𝑗 ≥ 0, ∀ 𝑗 = 1,2,3, … , 𝑛. (2.10b)
Jika permasalahan tidak dapat dimodelkan dalam pemrograman linear
maka permasalahan berbentuk pemrograman nonlinear. Terdapat beberapa hal
yang menyebabkan sifat ketidaklinearan. Permasalahan berbentuk
pemrograman nonlinear dengan fungsi tujuan dan kendalanya mempunyai
bentuk nonlinear pada salah satu atau keduanya. Sebagai contoh dalam suatu
perusahaan besar yang kemungkinan menghadapi elastisitas harga atau banyak
barang yang dijual berbanding terbalik dengan harganya. Artinya semakin
sedikit produk yang dihasilkan maka semakin mahal harganya. Oleh karena itu,
kurva harga permintaan akan terlihat seperti kurva dalam Gambar 2.2, dengan
𝑝(𝑥) adalah harga yang ditetapkan agar terjual x satuan barang. Jika biaya
satuan untuk memproduksi barang tersebut adalah konstan yaitu c, maka
keuntungan perusahaan tersebut dalam memproduksi dan menjual 𝑥 satuan
barang akan dinyatakan oleh fungsi nonlinear berikut (Hillier , 2001:655)
𝑃(𝑥) = 𝑥𝑝(𝑥) − 𝑐𝑥. (2.11)
Gambar 2.3 terlihat misalkan setiap produk dari x jenis produknya
mempunyai fungsi keuntungan yang serupa, didefinisikan 𝑃𝑗(𝑥𝑗) untuk
17
produksi dan penjualan 𝑥𝑗 satuan dari produk 𝑗 dimana (𝑗 = 1, 2, … , 𝑛), maka
secara lengkap fungsi tujuannya yaitu
𝑓(𝑥) = ∑ 𝑃𝑗(𝑥𝑗)𝑛𝑗=1
merupakan penjumlahan dari beberapa fungsi nonlinear.
Alasan lain yang menyebabkan sifat ketidaklinearan muncul pada fungsi
tujuan, disebabkan oleh kenyataan bahwa biaya tambahan (biaya marginal)
c Biaya Satuan
Permintaan x
P( x )
x
P( x )
Banyak Barang
P(x)=x [p(x) - c]
Gambar 2. 2 Kurva Harga Permintaan
Gambar 2. 3 Fungsi Keuntungan
18
untuk memproduksi satu satuan barang tergantung pada tingkat produksi.
Sebagai contoh, biaya marginal akan turun apabila tingkat produksi naik. Di
lain pihak, biaya marginal dapat saja naik karena dalam ukuran tertentu, seperti
fasilitas lembur atau harga barang mahal, sehingga perlu menaikkan produksi.
Sifat ketidaklinearan dapat juga muncul pada fungsi kendala
𝑔𝑖(𝑥) dengan cara yang sama. Sebagai contoh, apabila terdapat kendala
anggaran dalam biaya produksi total, maka fungsi biaya akan menjadi nonlinear
jika biaya marginal berubah. Kendala 𝑔𝑖(𝑥) akan berbentuk nonlinear apabila
terdapat penggunaan yang tidak sebanding antara sumber daya dengan tingkat
produksi dari masing-masing produksi.
C. Fungsi Konveks dan Konkaf
Konsep konveks merupakan hal yang penting dalam permasalahan
optimalisasi (Bazaraa, 2006:39).
Definisi 2.3 (Luenberger, 1984). Misalkan 𝑥1, 𝑥2 𝜖 𝑅𝑛. Titik-titik dengan bentuk
𝜆𝑥1 + (1 − 𝜆)𝑥2 untuk 𝜆 ∈ [0,1] disebut kombinasi konveks dari 𝑥1 dan 𝑥2.
Definisi 2.4 (Bazaraa, 2006:40). Himpunan S yang tidak kosong di 𝑅𝑛 adalah
himpunan konveks jika segmen garis yang menghubungkan dua titik berada
dalam himpunan. Dengan kata lain, jika 𝑥1, 𝑥2 ∈ 𝑆 maka 𝜆𝑥1 + (1 − 𝜆)𝑥2
juga anggota S untuk 𝜆 ∈ [0,1].
19
Definisi 2.5 Fungsi Konveks (Bazaraa, 2006:98). Diketahui 𝑓: 𝑆 → 𝑅, dengan
S adalah himpunan konveks yang tidak kosong di 𝑅𝑛. Fungsi f(x) dikatakan
fungsi konveks di S jika
𝑓(𝜆𝑥1 + (1 − 𝜆)𝑥2) ≤ 𝜆𝑓(𝑥1) + (1 − 𝜆)𝑓(𝑥2)
untuk setiap 𝑥1, 𝑥2𝜖𝑆 dan untuk 𝜆 ∈ [0,1].
Definisi 2.6 Fungsi Konkaf (Luenberger, 1984:192). Fungsi f(x) dikatakan
fungsi konkaf jika untuk setiap 𝑥1, 𝑥2 𝜖 𝑆, dengan S adalah himpunan konveks
dan setiap 𝜆 ∈ [0,1] berlaku
𝑓(𝜆𝑥1 + (1 − 𝜆)𝑥2) ≥ 𝜆𝑓(𝑥1) + (1 − 𝜆)𝑓(𝑥2).
Perbedaan fungsi konveks dan konkaf tampak pada gambar di bawah ini:
D. Separable Programming
1. Pengertian Separable Programming
Separable Programming merupakan salah satu metode dalam
penyelesaian pemrograman nonlinear dengan cara mengubah bentuk fungsi
nonlinear menjadi linear yang hanya memuat satu variabel saja. Separable
Programming memisahkan fungsi yang berbentuk nonlinear menjadi fungsi-
A
B
Konkaf
A
B
Konveks
Gambar 2. 4 Fungsi Konveks dan Fungsi Konkaf
20
fungsi dengan variabel tunggal. Misalnya dalam kasus dua variabel fungsi
𝑓(𝑥, 𝑦) dapat dipisahkan menjadi ℎ(𝑥) + 𝑔(𝑦).
Suatu fungsi 𝑓(𝑥) dapat dikatakan separable apabila fungsi tersebut
dapat dinyatakan dalam bentuk penjumlahan dari fungsi-fungsi yang hanya
memuat satu variabel, selengkapnya didefinisikan sebagai berikut (Bazaraa,
2006:684)
𝑓(𝑥) = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛) = 𝑓1(𝑥1) + 𝑓2(𝑥2) + ⋯ + 𝑓𝑛(𝑥𝑛) = ∑ 𝑓𝑗(𝑥𝑗)𝑛𝑗=1 (2.12)
Selanjutnya masalah separable programming pada Persamaan (2.12)
dapat ditulis sebagai Masalah P sebagai berikut:
Masalah P
Memaksimalkan/meminimalkan
𝑍 = ∑ 𝑓𝑗(𝑥𝑗)𝑛𝑗=1 (2.13)
dengan kendala
∑ 𝑔𝑖𝑗(𝑥𝑗)𝑛𝑗=1 (≤, =, ≥)𝑏𝑗 , 𝑖 = 1, 2, … , 𝑚 (2.14a)
𝑥𝑗 ≥ 0; (𝑗 = 1,2, … , 𝑛). (2.14b)
Fungsi pada Persamaan (2.13) sampai dengan Persamaan (2.14b) dapat
diselesaikan dengan separable programming. Suatu fungsi dapat dikatakan
separable jika fungsi tersebut dapat dinyatakan dalam bentuk penjumlahan dari
fungsi-fungsi yang memuat satu variabel yang dapat dituliskan sebagai berikut:
𝑍 = 𝑓1(𝑥1) + 𝑓2(𝑥2) + ⋯ + 𝑓𝑛(𝑥𝑛) (2.15)
21
𝑔𝑖𝑗(𝑥𝑗): 𝑔11(𝑥1) + 𝑔12(𝑥2) + ⋯ + 𝑔1𝑛(𝑥𝑛)(≤, =, ≥)𝑏1 (2.16a)
𝑔21(𝑥1) + 𝑔22(𝑥2) + ⋯ + 𝑔2𝑛(𝑥𝑛)(≤, =, ≥)𝑏2 (2.16b)
𝑔𝑚1(𝑥1) + 𝑔𝑚2(𝑥2) + ⋯ + 𝑔𝑚𝑛(𝑥𝑛)(≤, =, ≥)𝑏𝑚 (2.16c)
dan 𝑥1, 𝑥2, … , 𝑥𝑛 ≥ 0. (2.16d)
Jadi Persamaan (2.15) sampai dengan Persamaan (2.16d) adalah
persamaan fungsi tujuan dan fungsi kendala yang berbentuk separable.
Contoh 2.2
Diberikan pemrograman nonlinear
Memaksimumkan 𝑍 = 30 𝑥1 + 35 𝑥2 − 2 𝑥12 − 3 𝑥2
2
dengan kendala
𝑥12 + 2𝑥2
2 ≤ 250
𝑥1 + 𝑥2 ≤ 20
𝑥1, 𝑥2 ≥ 0.
Diperoleh masalah separable programming dari fungsi tujuan dan kendala
dari Contoh 2.2 sebagai berikut
𝑓1(𝑥1) = 30𝑥1 − 2𝑥12
𝑓2(𝑥2) = 35𝑥2 − 3𝑥22
𝑔11(𝑥1) = 𝑥12, 𝑔12(𝑥2) = 2𝑥2
2, 𝑔21(𝑥1) = 𝑥1, dan 𝑔22(𝑥2) = 𝑥2.
22
Contoh 2.3
Memaksimumkan 𝑓(𝑥1, 𝑥2) = 20𝑥1 + 16𝑥2 − 2𝑥12
− 𝑥22 − (𝑥1 + 𝑥2)2
dengan kendala
𝑥1 + 𝑥2 ≤ 5
𝑥1, 𝑥2 ≥ 0.
Permasalahan pada fungsi tujuan tidak dapat berbentuk separable, karena
terdapat (𝑥1 + 𝑥2)2. Diberikan 𝑥3 = 𝑥1 + 𝑥2 dan bentuk fungsi tujuan dan
kendala dari Contoh 2.3 yang dapat berbentuk separable diperoleh sebagai
berikut:
Memaksimumkan 𝑓(𝑥1, 𝑥2, 𝑥3) = 20𝑥1 + 16𝑥2 − 2𝑥12
− 𝑥22 − 𝑥3
2
dengan kendala
𝑥1 + 𝑥2 ≤ 5
𝑥1 + 𝑥2 − 𝑥3 = 0
𝑥1, 𝑥2, 𝑥3 ≥ 0.
Fungsi tujuan dapat dituliskan sebagai 𝑓(𝑥) = 𝑓1(𝑥1) + 𝑓2(𝑥2) + 𝑓3(𝑥3),
dimana
𝑓1(𝑥1) = 20𝑥1 − 2𝑥12
𝑓2(𝑥2) = 16𝑥2 − 𝑥22
𝑓3(𝑥3) = −𝑥32.
23
2. Hampiran Fungsi Linear Sepotong-sepotong
Penyelesaian dalam masalah separable programming dapat dilakukan
dengan menggunakan beberapa metode diantaranya adalah metode cutting
plane, pemrograman dinamik, hampiran fungsi linear sepotong-sepotong, dan
lain-lain. Keakuratan dari metode hampiran linear sepotong-sepotong
dipengaruhi oleh banyaknya titik kisi. Ada dua cara dalam hampiran fungsi
linear sepotong-sepotong, yaitu dengan formulasi lambda (𝜆) dan formulasi
delta (𝛿) (Bazaraa, 2006:685). Formulasi lambda merupakan formulasi
hampiran setiap titik kisi dengan menggunakan variabel lambda sedangkan
formulasi delta merupakan formulasi hampiran untuk setiap interval di antara
titik kisi.
Penelitian ini membahas penyelesaian pemrograman nonlinear dengan
menggunakan separable programming hampiran fungsi linear sepotong-
sepotong lambda. Sebelum membahas mengenai formulasi lambda terlebih
dahulu dibahas mengenai ruas garis.
Didefinisikan 𝑓(𝑥) merupakan fungsi nonlinear yang kontinu, dengan 𝑥
pada interval [a,b]. Akan didefinisikan fungsi linear sepotong-sepotong 𝑓 yang
merupakan hampiran fungsi 𝑓 pada interval [a,b]. Selanjutnya interval [a,b]
dipartisi menjadi interval-interval yang lebih kecil, dengan titik kisi (grid pont)
𝑎 = 𝑥1, 𝑥2, … , 𝑥𝑘 = 𝑏. Pada Gambar 2.5 titik-titik kisi tidak harus mempunyai
jarak yang sama. Berikut diberikan definisi ruas garis untuk menjelaskan
hubungan antara dua titik kisi.
24
Definisi 2.7 Ruas Garis (Bazaraa, 2006:684). Diberikan ��1, ��2 𝜖 𝑅. Himpunan
𝑆 = {��|�� = 𝜆��1 + (1 − 𝜆)��2, 0 ≤ 𝜆 ≤ 1} disebut ruas garis yang
menghubungkan ��1 dan ��2.
Gambar 2.5 fungsi linear sepotong-sepotong sebagai hampiran fungsi
nonlinear 𝑓 pada interval [𝑥𝑣, 𝑥𝑣+1] dengan lima titik kisi.
Gambar 2. 5 Fungsi Linear Sepotong-Sepotong sebagai Hampiran Fungsi
Nonlinear dengan Lima Titik Kisi
Misalkan 𝑥 merupakan titik kisi pada ruas garis yang menghubungkan
𝑥𝑣 dengan 𝑥𝑣+1, berdasarkan Definisi 2.7 𝑥 dapat dituliskan sebagai berikut
𝑥 = 𝜆(𝑥𝑣) + (1 − 𝜆)(𝑥𝑣+1) untuk 𝜆𝜖[0,1]. (2.17)
Berdasarkan Persamaan (2.17), fungsi 𝑓(𝑥) dapat dihampiri oleh
interval 𝑓(𝑥𝑣) dan 𝑓(𝑥𝑣+1) dengan cara berikut
𝑓(𝑥) = 𝜆𝑓(𝑥𝑣) + (1 − 𝜆)𝑓(𝑥𝑣+1). (2.18)
Pada Gambar 2.6 untuk sembarang fungsi 𝑓 didefinisikan pada interval
[a,b], maka selanjutnya interval dipartisi menjadi beberapa titik kisi dengan titik
kisi 𝑎 = 𝑥1, 𝑥2, … , 𝑥𝑘 = 𝑏. Pada 𝑥1 dihampiri oleh 𝑓(𝑥1), 𝑥2 dihampiri
𝑓(𝑥2), 𝑥𝑣 dihampiri 𝑓(𝑥𝑣) dan seterusnya. Titik-titik kisi tidak harus
mempunyai jarak yang sama.
𝑓
𝑎 = 𝑥 1 𝑥 𝑣 𝑥 𝑥 𝑣 + 1 𝑏 = x 𝑘
𝑓(𝑥)
25
𝑎 = 𝑥1 𝑥2 𝑥𝑣 𝑥 𝑥𝑣+1 𝑏 = 𝑥k
Gambar 2. 6 Fungsi Linear Sepotong-sepotong sebagai Hampiran Fungsi
Nonlinear dengan Formulasi Lambda
Secara umum hampiran linear dari fungsi f(x) untuk titik-titik kisi
𝑥1, 𝑥2, … , 𝑥𝑘 didefinisikan sebagai berikut
𝑓(𝑥) = ∑ 𝑓(𝑥𝑣)𝑘𝑣=1 𝜆𝑣, ∑ 𝜆𝑣
𝑘𝑣=1 = 1, 𝜆𝑣 ≥ 0. (2.19)
Dengan 𝑥 yang diperoleh berdasarkan pada Persamaan (2.17) yaitu
𝑥 = ∑ 𝑥𝑣𝑘𝑣=1 𝜆𝑣, untuk 𝑣 = 1, 2, 3, … , 𝑘 (2.20)
dan terdapat paling sedikit satu 𝜆𝑣 tidak nol atau paling banyak dua 𝜆𝑣, 𝜆𝑣+1
tidak nol dan berdampingan.
Secara umum, dalam setiap dua titik kisi diperoleh satu hampiran
sehingga total dari semua hampiran tersebut merupakan hampiran untuk fungsi
nonlinear tersebut. Masalah pengoptimuman yang menghampiri masalah P
dapat dilakukan dengan mengganti fungsi 𝑓𝑗 dan 𝑔𝑖𝑗 yang nonlinear dengan
fungsi linear sepotong-sepotong.
Didefinisikan
𝐿 = {𝑗|𝑓𝑗 𝑑𝑎𝑛 𝑔𝑖𝑗 𝑎𝑑𝑎𝑙𝑎ℎ 𝑓𝑢𝑛𝑔𝑠𝑖 𝑙𝑖𝑛𝑒𝑎𝑟 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1, 2, … , 𝑚}.
Didefinisikan titik-titik kisi 𝑥𝑣𝑗 untuk 𝑣 = 1,2, … , 𝑘 pada interval [𝑎𝑗, 𝑏𝑗]
dengan 𝑎𝑗 , 𝑏𝑗 ≥ 0 untuk setiap 𝑗 ∉ 𝐿.
𝑓
𝑓(𝑥2)
(
𝑓(𝑥𝑣)
(
𝑓(𝑥)
(
𝑓(𝑥1)
(
26
Berdasarkan Persamaan (2.19) dengan titik-titik kisi 𝑥𝑣𝑗 fungsi 𝑓𝑗 pada
Persamaan (2.13) dan 𝑔𝑖𝑗 pada Persamaan (2.14a) serta Persamaan (2.14b),
untuk 𝑓𝑗 dengan 𝑖 = 1,2, … , 𝑚; 𝑗 ∉ 𝐿, maka diperoleh hampiran-hampiran
linearnya yaitu
𝑓��(𝑥𝑗) = ∑ 𝑓𝑗(𝑥𝑣𝑗)𝑘𝑣=1 𝜆𝑣𝑗 𝑢𝑛𝑡𝑢𝑘 𝑗 ∉ 𝐿 (2.21)
𝑔𝑖��(𝑥𝑗) = ∑ 𝑔𝑖𝑗(𝑥𝑣𝑗)𝑘𝑣=1 𝜆𝑣𝑗 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑚; 𝑗 ∉ 𝐿 (2.22a)
Dengan ∑ 𝜆𝑣𝑗𝑘𝑣=1 = 1 (2.22b)
𝜆𝑣𝑗 ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑣 = 1,2, … , 𝑘 (2.22c)
dengan 𝑥𝑗 yang diperoleh berdasarkan pada Persamaan (2.20) yaitu
𝑥𝑗 = ∑ 𝜆𝑣𝑗𝑘𝑣=1 (𝑥𝑣𝑗). (2.23)
Untuk mempermudah penulisan, hampiran Masalah P ditulis dengan
Masalah AP. Berdasarkan Persamaan (2.21), Masalah AP dapat didefinisikan
sebagai berikut (Bazaraa, 2006:686)
Masalah AP
Memaksimumkan/meminimumkan
𝑍 = ∑ 𝑓𝑗(𝑥𝑗)𝑗∈𝐿 + ∑ 𝑓��(𝑥𝑗)𝑗∉𝐿 (2.24)
Terhadap kendala
∑ 𝑔𝑖𝑗(𝑥𝑗)𝑗∈𝐿 + ∑ 𝑔𝑖��(𝑥𝑗)𝑗∉𝐿 (≤, =, ≥)𝑏𝑖, (𝑖 = 1, 2, … , 𝑚) (2.25a)
𝑥𝑗 ≥ 0 untuk 𝑗 = 1, 2, … , 𝑛 . (2.25b)
Perhatikan bahwa fungsi tujuan dan fungsi kendala pada masalah AP
adalah fungsi linear sepotong-sepotong.
27
Berdasarkan Persamaan (2.21) sampai dengan Persamaan (2.22c),
Masalah AP pada Persamaan (2.24) sampai dengan (2.25b) dapat ditulis ulang
sebagai masalah LAP sebagai berikut
Masalah LAP
Memaksimumkan/meminimumkan
𝑍 = ∑ 𝑓𝑗(𝑥𝑗)𝑗∈𝐿 + ∑ ∑ 𝑓𝑗(𝑥𝑣𝑗)𝑘𝑣=1 𝜆𝑣𝑗𝑗∉𝐿 (2.26)
Terhadap kendala
∑ 𝑔𝑖𝑗(𝑥𝑗)𝑗∈𝐿 + ∑ ∑ 𝑔𝑖𝑗(𝑥𝑣𝑗)𝑘𝑣=1 𝜆𝑣𝑗𝑗∉𝐿 (≤, =, ≥)𝑏𝑖, (𝑖 = 1, 2, … , 𝑚)(2.27a)
∑ 𝜆𝑣𝑗𝑘𝑣=1 = 1 (2.27b)
𝜆𝑣𝑗 ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑣 = 1,2, … , 𝑘 (2.27c)
dan terdapat paling sedikit satu 𝜆𝑣𝑗 tidak nol atau paling banyak dua
𝜆𝑣𝑗 , 𝜆(𝑣+1)𝑗 tidak nol dan berdampingan.
Pada fungsi tujuan dan kendala dari Persamaan (2.26) sampai dengan
(2.27c) disebut sebagai Masalah LAP yang berbentuk linear. Oleh karena itu,
Masalah LAP dapat diselesaikan dengan metode simpleks biasa. Penelitian ini
menyelesaian pemrograman linear menggunakan metode simpleks biasa
dengan bantuan Excel Solver. Mendapatkan penyelesaian optimal dengan
metode simpleks pada masalah maksimasi dalam bentuk separable
programming harus memenuhi syarat bahwa setiap 𝑓𝑗(𝑥𝑗) harus konkaf dan
28
setiap 𝑔𝑖𝑗(𝑥𝑗) adalah konveks, sedangkan pada masalah minimasi 𝑓𝑗(𝑥𝑗) harus
konveks dan setiap 𝑔𝑖𝑗(𝑥𝑗) adalah konveks (Winston,2004 :714).
Pada penyelesaian separable programming berlaku sebagai berikut:
Teorema 2.1 (Bazaraa, 2006:689). Jika 𝑥𝑗 = ∑ 𝜆𝑣𝑗 (𝑥𝑣𝑗) 𝑘𝑣=1 untuk 𝑗 ∉ 𝐿
merupakan penyelesaian layak pada Persamaan (2.26) sampai dengan
Persamaan (2.27), maka 𝑥𝑗, 𝑗 = 1,2,3, … 𝑛 juga merupakan penyelesaian layak
pada Persamaan (2.13)-(2.14).
Bukti:
Berdasarkan Definisi 2.5, karena 𝑔𝑖𝑗 konveks dengan 𝑗 ∉ 𝐿 untuk setiap 𝑖 =
1,2,3, … 𝑚 dan untuk 𝑥𝑣𝑗 dengan 𝑗 ∉ 𝐿, 𝑣 = 1,2,3, … , 𝑘 diperoleh
𝑔𝑖(𝑥𝑗) = ∑ 𝑔𝑖𝑗(𝑥𝑗)
𝑗∈𝐿
+ ∑ 𝑔𝑖𝑗
𝑗∉𝐿
(𝑥𝑗)
= ∑ 𝑔𝑖𝑗(𝑥𝑗)
𝑗∈𝐿
+ ∑ 𝑔𝑖𝑗
𝑗∉𝐿
(∑ 𝜆𝑣𝑗 (𝑥𝑣𝑗)
𝑘
𝑣=1
)
= ∑ 𝑔𝑖𝑗(𝑥𝑗)
𝑗∈𝐿
+ ∑ 𝑔𝑖𝑗
𝑗∉𝐿
((𝜆1𝑗𝑥1𝑗 + 𝜆2𝑗𝑥2𝑗 + 𝜆3𝑗𝑥3𝑗 + ⋯ + 𝜆𝑘𝑗𝑥𝑘𝑗)
≤ ∑ 𝑔𝑖𝑗(𝑥𝑗)
𝑗∈𝐿
+ ∑ 𝜆1𝑗𝑔𝑖𝑗(𝑥1𝑗) + 𝜆2𝑗𝑔𝑖𝑗(𝑥2𝑗) + 𝜆3𝑗𝑔𝑖𝑗(𝑥3𝑗) + ⋯ + 𝜆𝑘𝑗𝑔𝑖𝑗(𝑥𝑘𝑗)𝑗∉𝐿
= ∑ 𝑔𝑖𝑗(𝑥𝑗)
𝑗∈𝐿
+ ∑ ∑ 𝜆𝑣𝑗𝑔𝑖𝑗(𝑥𝑣𝑗)
𝑘
𝑣=1𝑗∉𝐿
≤ 𝑏𝑖.
29
Untuk 𝑖 = 1,2,3, … 𝑚 selanjutnya 𝑥𝑗 ≥ 0 untuk 𝑗 ∈ 𝐿 dan 𝑥𝑗 =
∑ 𝜆𝑣𝑗𝑥𝑣𝑗𝑘𝑣=1 ≥ 0 untuk j∉ 𝐿, karena 𝜆𝑣𝑗 , 𝑥𝑣𝑗 ≥ 0; 𝑣 = 1,2,3, … 𝑘; 𝑗 ∉ 𝐿. Jadi
terbukti 𝑥𝑗 merupakan penyelesaian yang layak pada Persamaan (2.13)-(2.14).
E. Lagrangre Multiplier
Sebelum membahas mengenai metode lagrangre multiplier terlebih
dahulu dibahas mengenai turunan parsial dan titik kritis.
Definisi 2.8 (Purcell, 1987). Jika 𝑧 = 𝑓(𝑥, 𝑦) terdefinisi dalam domain D di
bidang XY, sedangkan turunan pertama f terhadap x dan y di setiap titik (x,y)
ada, maka
Turunan pertama 𝑓 di 𝑥 adalah
𝜕𝑓
𝜕𝑥= 𝑙𝑖𝑚
∆𝑥→0
𝑓(𝑥+∆𝑥,𝑦)−𝑓(𝑥,𝑦)
∆𝑥.
Turunan pertama 𝑓 di y adalah
𝜕𝑓
𝜕𝑦= 𝑙𝑖𝑚
∆𝑥→0
𝑓(𝑥, 𝑦 + ∆𝑦) − 𝑓(𝑥, 𝑦)
∆𝑦.
Dapat dinotasikan sebagai
𝜕𝑓
𝜕𝑥=
𝜕𝑓(𝑥,𝑦)
𝜕𝑥= 𝑓𝑥(𝑥, 𝑦)
𝜕𝑓
𝜕𝑦=
𝜕𝑓(𝑥,𝑦)
𝜕𝑦= 𝑓𝑦(𝑥, 𝑦).
30
Turunan parsial fungsi 𝑛 variabel, diberikan fungsi 𝑛 variabel dari
𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛 dengan persamaan 𝑤 = 𝑓(𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛), maka turunan-
turunan parsialnya yaitu:
𝜕𝑤
𝜕𝑥1= 𝑓𝑥1
,𝜕𝑤
𝜕𝑥2= 𝑓𝑥2,
𝜕𝑤
𝜕𝑥3= 𝑓𝑥3
, … ,𝜕𝑤
𝜕𝑥𝑛= 𝑓𝑥𝑛
.
Diberikan untuk fungsi tiga variabel dari x, y, z dengan persamaan 𝑤 =
𝑓(𝑥, 𝑦, 𝑧), maka turunan-turunan parsialnya yaitu:
𝜕𝑤
𝜕𝑥= 𝑓𝑥(𝑥, 𝑦, 𝑧),
𝜕𝑤
𝜕𝑦= 𝑓𝑦(𝑥, 𝑦, 𝑧),
𝜕𝑤
𝜕𝑧= 𝑓𝑧(𝑥, 𝑦, 𝑧).
Turunan parsial derajat dua, notasi turunan parsial derajar dua fungsi 𝑧 =
𝑓(𝑥, 𝑦) dinyatakan dalam simbol- simbol berikut:
𝜕2𝑧
𝜕𝑥2 =𝜕
𝜕𝑥(
𝜕𝑧
𝜕𝑥) = 𝑧𝑥𝑥 = 𝑓𝑥𝑥 =
𝜕
𝜕𝑥(
𝜕𝑓
𝜕𝑥)
𝜕2𝑧
𝜕𝑦2=
𝜕
𝜕𝑦(
𝜕𝑧
𝜕𝑦) = 𝑧𝑦𝑦 = 𝑓𝑦𝑦 =
𝜕
𝜕𝑦(𝜕𝑓
𝜕𝑦)
𝜕2𝑧
𝜕𝑥𝜕𝑦=
𝜕
𝜕𝑥(
𝜕𝑧
𝜕𝑦) = 𝑧𝑦𝑥 = 𝑓𝑦𝑥 =
𝜕
𝜕𝑥(𝜕𝑓
𝜕𝑦)
𝜕2𝑧
𝜕𝑦𝜕𝑥=
𝜕
𝜕𝑦(
𝜕𝑧
𝜕𝑥) = 𝑧𝑥𝑦 = 𝑓𝑥𝑦 =
𝜕
𝜕𝑦(
𝜕𝑓
𝜕𝑥).
Teorema 2.2 Titik Kritis (Purcell, 2010:248). Andaikan fungsi f didefinisikan
pada selang I yang memuat titik c. Jika f(c) adalah nilai ekstrem, maka c
haruslah berupa suatu titik kritis, yakni c berupa salah satu dari:
a. Titik ujung dari I
b. Titik stasioner dari f, (f’(c)=0) atau
c. Titik singular dari f, (f’(c) tidak ada).
31
Bukti:
Dengan 𝑓(𝑐) berupa nilai maksimum f pada I, maka 𝑓(𝑥) ≤ 𝑓(𝑐) untuk semua
x dalam I, yaitu 𝑓(𝑥) − 𝑓(𝑐) ≤ 0.
Jika 𝑥 < 𝑐 sehingga 𝑥 − 𝑐 < 0, maka
𝑓(𝑥)−𝑓(𝑐)
𝑥−𝑐≥ 0 (2.28)
Sedangkan jika 𝑥 > 𝑐, maka
𝑓(𝑥)−𝑓(𝑐)
𝑥−𝑐≤ 0 (2.29)
Akan tetapi, 𝑓′(𝑐) ada karena 𝑐 bukan titik singular. Akibatnya, apabila 𝑥 → 𝑐−
dalam Persamaan (2.28) dan 𝑥 → 𝑐− dalam Persamaan (2.29), maka diperoleh
𝑓′(𝑐) ≥ 0 dan 𝑓′(𝑐) ≤ 0. Sehingga dapat disimpulkan bahwa 𝑓′(𝑐) = 0.
Titik kritis untuk penyelesaian program nonlinear dapat digolongkan sebagai
maksimum atau minimum lokal.
Teorema 2.3 (Hillier, 2001:664). Jika 𝑓(𝑥) adalah fungsi konkaf, maka titik
kritis dari fungsi tersebut pasti merupakan maksimum global.
Bukti:
Perhatikan masalah optimalisasi berikut
Maksimum 𝑓(𝑥)
Dengan kendala 𝑥 𝜖 𝑆
32
Jika 𝑆 adalah himpunan konveks , 𝑓: 𝑆 → 𝑅 adalah fungsi konkaf dan ��
adalah titik maksimum lokal untuk masalah optimalisasi maka �� adalah titik
maksimum global dari 𝑓(𝑥) pada himpunan 𝑆.
Misalkan �� bukan titik maksimum global atau �� titik maksimum lokal,
maka terdapat 𝑦 𝜖 𝑆 yang memenuhi 𝑓(𝑦) > 𝑓(��). Sebut saja 𝑦(𝜆) = 𝜆�� +
(1 − 𝜆)𝑦 yang merupakan kombinasi konveks dari �� dan 𝑦, untuk 𝜆 𝜖 [0,1]. Hal
ini mengakibatan 𝑦(𝜆)𝜖 𝑆, untuk 𝜆 𝜖 [0,1].
𝑓(��) adalah fungsi konkaf dan berdasarkan Definisi 2.6 maka berlaku
𝑓(𝑦(𝜆)) = 𝑓 (𝜆�� + (1 − 𝜆)𝑦)
≥ 𝜆𝑓(��) + (1 − 𝜆)𝑓(𝑦)
> 𝜆𝑓(��) + (1 − 𝜆)𝑓(��)
= 𝑓(��)
untuk setiap 𝜆 𝜖 [0,1]. Hal ini kontradiksi dengan asumsi bahwa �� adalah
maksimum lokal. Dengan demikian haruslah �� merupakan titik maksimum
global.
Fungsi lagrange merupakan metode penyelesaian masalah optimalisasi
dalam penentuan harga ekstrem, dengan batasan-batasan (constrains) tertentu
(Purcell, 1987:303).
1. Satu Pengali Lagrange
Prinsip dalam metode ini adalah mencari harga ekstrem (optimal) suatu
fungsi objektif 𝑓(𝑥, 𝑦) dengan batasan-batasan tertentu yang harus dipenuhi,
yaitu 𝑔(𝑥, 𝑦) = 0
33
Cara penyelesaian:
Membentuk fungsi Lagrange
𝐹(𝑥, 𝑦, 𝛾) = 𝑓(𝑥, 𝑦) + 𝛾𝑔(𝑥, 𝑦). (2.30)
Dengan syarat ekstrem:
𝜕𝐹
𝜕𝑥= 0,
𝜕𝐹
𝜕𝑦= 0,
𝜕𝐹
𝜕𝛾= 0. (2.31)
Parameter 𝛾 inilah yang disebut pengali Lagrange.
Contoh 2.4
Tentukan nilai minimum dari 𝑓 = 𝑥𝑦 + 2 𝑥𝑧 + 2 𝑦𝑧 dengan batasan fungsi
kendala volume 𝑥 𝑦 𝑧 = 32.
Penyelesaian dengan membentuk fungsi lagrange sebagai berikut:
𝐹 = (𝑥𝑦 + 2 𝑥𝑧 + 2 𝑦𝑧) + 𝛾(𝑥 𝑦 𝑧 − 32)
Syarat ekstrem yang diperoleh,
𝜕𝐹
𝜕𝑥= 𝑦 + 2 𝑧 + 𝛾 𝑦 𝑧 = 0 ⇔ 𝛾 =
−(𝑦+2 𝑧)
𝑦 𝑧 (2.32a)
𝜕𝐹
𝜕𝑦= 𝑥 + 2 𝑧 + 𝛾 𝑥 𝑧 = 0 ⇔ 𝛾 =
−(𝑥+2 𝑧)
𝑥 𝑧 (2.32b)
𝜕𝐹
𝜕𝑧= 2 𝑥 + 2 𝑦 + 𝛾 𝑥 𝑦 = 0 ⇔ 𝛾 =
−(2𝑥+2𝑦)
𝑥 𝑦 (2.32c)
Mencari nilai titik kritis,
Menggunakan Persamaan (2.32a) dan Persamaan (2.32b), diperoleh
−(𝑦+2 𝑧)
𝑦 𝑧=
−(𝑥+2 𝑧)
𝑥 𝑧 ⇔ 𝑥𝑦 + 2𝑥𝑧 = 𝑥𝑦 + 2𝑦𝑧 ⇔ 𝑥 = 𝑦.
34
Selanjutnya dari Persamaan (2.32a) dan Persamaan (2.32c), diperoleh
−(𝑦 + 2 𝑧)
𝑦 𝑧=
−(2𝑥 + 2𝑦)
𝑥 𝑦 ⇔ 𝑥𝑦 + 2𝑥𝑧 = 2𝑥𝑧 + 2𝑦𝑧 ⇔ 𝑥 = 2𝑧.
Hasil yang diperoleh kemudian disubstitusikan ke fungsi kendala, sehingga
diperoleh:
𝑥 𝑥 𝑥
2= 32 ⇔ 𝑥3 = 64 ⇔ 𝑥 = 4 ⟹ 𝑦 = 4 dan z = 2.
2. Lebih dari Satu Pengali Lagrange
Jika pengali Lagrange melibatkan lebih dari satu kendala, maka
penggunaan parameter yang dipilih dapat ditambahkan menjadi 𝛾, 𝜇 atau
parameter yang lain.
Misalnya untuk memperoleh nilai ekstrem 𝑓(𝑥, 𝑦, 𝑧) dengan kendala
𝑔(𝑥, 𝑦, 𝑧) = 0 dan ℎ(𝑥, 𝑦, 𝑧) = 0.
Cara penyelesaian:
Membentuk fungsi Lagrange
𝐹(𝑥, 𝑦, 𝑧, 𝛾, 𝜇) = 𝑓(𝑥, 𝑦, 𝑧) + 𝛾𝑔(𝑥, 𝑦, 𝑧) + 𝜇(𝑥, 𝑦, 𝑧). (2.33)
Dengan syarat ekstrem:
𝜕𝐹
𝜕𝑥= 0,
𝜕𝐹
𝜕𝑦= 0,
𝜕𝐹
𝜕𝑧= 0,
𝜕𝐹
𝜕𝛾= 0,
𝜕𝐹
𝜕𝜇= 0. (2.34)
Metode ini dapat diperluas untuk 𝑛 variabel 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛) (2.35)
dengan 𝑘 kendala
∅1(𝑥1, 𝑥2, … , 𝑥𝑛), ∅2(𝑥1, 𝑥2, … , 𝑥𝑛), … , ∅𝑘(𝑥1, 𝑥2, … , 𝑥𝑛). (2.36)
Sebagai fungsi Lagrangenya adalah:
35
𝐹(𝑥1, 𝑥2, … , 𝑥𝑛, 𝛾1, 𝛾2, … , 𝛾𝑘) = 𝑓 + 𝛾1∅1 + 𝛾2∅2 + ⋯ + 𝛾𝑘∅𝑘. (2.37)
Dengan cara penyelesaiannya adalah:
𝜕𝐹
𝜕𝑥1= 0,
𝜕𝐹
𝜕𝑥2= 0, … ,
𝜕𝐹
𝜕𝑥𝑛= 0,
𝜕𝐹
𝜕 𝛾1= 0, … ,
𝜕𝐹
𝜕 𝛾2= 0. (2.38)
Dengan 𝛾1, 𝛾2,…, 𝛾𝑘 adalah pengali Lagrange.
Fungsi lagrange dapat pula dibentuk dengan cara mengurangkan fungsi
yang hendak dioptimalkan terhadap hasil kali 𝛾 dengan fungsi kendala, hasilnya
tetap sama. Penyelesaian lagrange multiplier mempunyai kondisi yang harus
dipenuhi untuk mendapatkan penyelesaian optimal. Jika masalah maksimalisasi
maka fungsi objektif harus dalam bentuk konkaf dan setiap fungsi kendala
berupa fungsi linear yang konveks, sedangkan jika masalah minimalisasi maka
fungsi objektif harus dalam bentuk konveks dan setiap fungsi kendala berupa
fungsi linear yang konveks (Winston, 2004:685).
F. Teknik Penarikan Sampel
Penggunaan metode sampling bertujuan untuk membuat penarikan
sampel lebih efisien (Cochran, 1977). Teknik penarikan sampel yang paling
sering digunakan adalah teknik penarikan Non-Probability Sampling. Non-
Probability Sampling adalah suatu prosedur penarikan sampel yang setiap
anggota populasi tidak memiliki peluang atau kesempatan sama bagi setiap
unsur (anggota populasi) untuk dipilih menjadi sampel. Sedangkan menurut
Sarwoko (2007) Non-Probability Sampling adalah teknik pengambilan sampel
dengan elemen-elemen dalam populasi tidak memilki probalitas-probalitas
36
yang melekat padanya sebagai dasar pengambilan sampel. Pengambilan sampel
didasarkan pada kriteria tertentu.
Salah satu teknik penarikan sampel Non-probability Sampling yaitu
dengan menggunakan purposive sampling. Purposive sampling adalah teknik
pengambilan sampel sumber data dengan pertimbangan tertentu (Sugiyono,
2010:218). Sedangkan menurut Sugiarto (2003) purposive sampling yaitu
penarikan sampel yang dilakukan untuk suatu tujuan tertentu (disengaja).
G. Saham
Saham merupakan secarik kertas yang menunjukkan hak pemodal (yaitu
pihak yang memiliki kertas tersebut) untuk memperoleh bagian dari prospek
atau kelayakan organisasi yang menerbitkan sekuritas tersebut dan berbagai
kondisi yang memungkinkan pemodal tersebut menjalankan haknya (Suad,
2005:29).
Suatu perusahaan menjual hak kepemilikannya dalam bentuk saham
(stock). Jika perusahaan hanya mengeluarkan satu kelas saham, maka saham ini
disebut dengan saham biasa dan jika suatu perusahaan mengeluarkan lebih dari
satu kelas saham, maka disebut saham preferen (preferred stock). Menurut
Jogiyanto (2014:169), ada beberapa jenis saham yaitu:
1. Saham Biasa (common stock), saham yang dikeluarkan oleh perusahaan
yang hanya mengeluarkan satu kelas saham. Pemegang saham adalah
pemilik dari perusahaan yang mewakilkan kepada manajemen untuk
menjalankan operasi perusahaan.
37
2. Saham Preferen, saham ini mempunyai sifat gabungan (hybrid) antara
obligasi (bond) dan saham biasa. Dibandingkan dengan saham biasa, saham
preferen mempunyai beberapa hak, yaitu hak atas dividen tetap dan hak
pembayaran terlebih dahulu jika terjadi likuidasi. Saham preferen
dibedakan menjadi saham preferen yang dapat dikonversikan ke saham
biasa (convertible preferred stock), saham preferen yang dapat ditebus
(callable preferred stock), saham preferen dengan tingkat dividen yang
mengambang (floating atau adjustable-rate preferred stock).
3. Saham Treasuri (treasury stock), saham ini dimiliki oleh perusahaan yang
sudah pernah dikeluarkan dan beredar yang kemudian dibeli kembali oleh
perusahaan untuk tidak dipensiunkan tetapi disimpan sebagai treasuri.
H. Teori Portofolio
1. Pengertian Portofolio
Portofolio adalah serangkaian kombinasi beberapa sekuritas yang
diinvestasikan dan dipegang oleh investor, baik perorangan maupun lembaga.
Sekuritas dapat berupa saham, surat berharga, obligasi, sertifikat dan lain-lain.
Portofolio dapat didefinisikan sebagai suatu kombinasi atau gabungan
sekumpulan aset dengan mengalokasikan dana pada aset-aset tersebut dengan
tujuan memperoleh keuntungan dimasa yang akan datang (Sunariyah,
2004:194).
Investasi dapat didefinisikan sebagai penundaan konsumsi sekarang
untuk dimasukkan ke saham selama periode waktu yang tertentu (Jogiyanto,
2014:5). Adanya saham, penundaan konsumsi sekarang untuk diinvestasikan ke
38
saham tersebut akan meningkatkan utilitas (kepuasan) total. Investasi ke dalam
saham akan meningkatkan utilitas. Investor melakukan investasi untuk
meningkatkan utilitasnya dalam bentuk kesejahteraan keuangan. Penundaan
konsumsi yang dilakukan investor dimaksudkan untuk mendapatkan hasil atau
keuntungan yang digunakan untuk konsumsi mendatang.
Tiga hal yang perlu dipertimbangkan dalam melakukan kegiatan
investasi yaitu tingkat pengembalian (keuntungan) yang diharapkan (expected
rate of return), tingkat risiko (rate of risk), dan ketersediaan jumlah dana yang
akan diinvestasikan (Abdul, 2005:4). Tingkat risiko pada umumnya berbanding
lurus dengan tingkat pengembalian yang diharapkan atau dapat dikatakan
bahwa semakin tinggi risiko (risk) yang diambil maka tingkat pengembalian
(return) yang diharapkan akan semakin tinggi.
Pemilihan aset-aset oleh investor tergantung pada preferensi investor
terhadap risiko. Preferensi investor terhadap risiko dibedakan menjadi tiga yaitu
investor yang menyukai risiko atau pencari risiko (risk seeker), investor yang
netral terhadap risiko (risk neutral), dan investor yang tidak menyukai risiko
atau menghindari risiko (risk averter). Investor yang tidak menyukai risiko atau
penghindar risiko merupakan investor yang apabila dihadapkan pada dua
pilihan investasi yang memberikan tingkat pengembalian yang sama dengan
risiko yang berbeda, maka investor akan lebih suka mengambil investasi dengan
risiko yang lebih rendah (Abdul, 2005:42)
39
2. Return
Return merupakan hasil yang diperoleh dari investasi. Adanya
hubungan positif antara return dan risiko dalam berinvestasi yang dikenal
dengan high risk- high return, yang artinya semakin besar risiko yang
ditanggung, semakin besar pula return yang diperoleh. Artinya harus ada
pertambahan return sebagai kompensasi dari pertambahan risiko yang akan
ditanggung oleh investor (Jogiyanto, 2014:264). Return dapat berupa return
realisasian yang sudah terjadi atau return ekspektasian yang belum terjadi tetapi
yang diharapkan akan terjadi dimasa mendatang.
a. Return Realisasian
Jika seseorang menginvestasikan dananya pada saham ke-𝑖 periode 𝑡1
dengan harga 𝑃𝑖(𝑡−1) dan harga pada periode selanjutnya 𝑡2 adalah 𝑃𝑖(𝑡−2), maka
return total pada periode 𝑡1 sampai 𝑡2 adalah (𝑃𝑖(𝑡−1) − 𝑃𝑖(𝑡−2))/𝑃𝑖(𝑡−1).
Return total dapat digambarkan sebagai pendapatan relatif atau tingkat
keuntungan (profit rate).
Return total dapat dinyatakan sebagai berikut (Jogiyanto, 2014:264)
𝑅𝑖𝑡 = 𝑃𝑖𝑡− 𝑃𝑖(𝑡−1)
𝑃𝑖(𝑡−1). (2.39)
Keterangan:
𝑅𝑖𝑡 : return capital gain atau capital loss saham ke-i pada periode t
𝑃𝑖𝑡 : harga penutupan saham ke-i pada periode ke-t
𝑃𝑖(𝑡−1) : harga penutupan saham ke-i pada periode ke-(t-1)
40
Jika harga investasi sekarang 𝑃𝑖𝑡 lebih tinggi dari harga investasi periode
lalu 𝑃𝑖(𝑡−1) ini berarti terjadi keuntungan modal (Capital Gain), jika sebaliknya
berarti terjadi kerugian (Capital Loss).
b. Return Ekspektasian
Return ekspektasian (expected return) merupakan return yang
digunakan untuk pengambilan keputusan investasi. Return ekspektasian
(expected return) dapat dihitung berdasarkan beberapa cara sebagai berikut ini:
a) Berdasarkan nilai ekspektasian masa depan,
b) Berdasarkan nilai-nilai return historis,
c) Berdasarkan model return ekspektasian yang ada.
Berdasarkan nilai-nilai return historis untuk menghitung nilai return
ekspektasian, terdapat tiga metode yang dapat diterapkan yaitu metode rata-rata
(mean method), metode trend (trend method), dan metode jalan acak (random
walk method) (Jogiyanto, 2014:282). Diantara ketiga metode yang paling
banyak digunakan adalah metode rata-rata (mean method). Menghitung
expected return saham individual menggunakan persamaan berikut,
𝐸(𝑅𝑖) = ∑ 𝑅𝑖𝑡
𝑛𝑖=1
𝑢. (2.40)
Keterangan:
E(Ri) : expected return saham ke-i
𝑅𝑖𝑡 : return saham ke-i pada periode t
u : banyaknya return yang terjadi pada periode observasi
Return realisasi portofolio (portofolio realized return) merupakan rata-
rata tertimbang dari return-return relisasian masing-masing saham tunggal di
41
dalam portofolio tersebut. Secara matematis, return realisasian portofolio dapat
ditulis sebagai berikut:
𝑅𝑝 = ∑ 𝑥𝑖𝑅𝑖.𝑛𝑖=1 (2.41)
Keterangan:
𝑅𝑝 : Return realisasian portofolio
𝑥𝑖 : Proporsi dari saham i terhadap seluruh sekuritas di portofolio
𝑅𝑖 : Return realisasian dari saham ke-i
𝑛 : Jumlah dari saham tunggal
Sedangkan return ekspektasian portofolio (portofolio expected return)
merupakan rata-rata tertimbang dari return-return ekspektasian masing-masing
sekuritas tunggal di dalam portofolio. Return ekspektasian portofolio dapat
dinyatakan secara matematis sebagai berikut:
𝐸(𝑅𝑝) = ∑ 𝑥𝑖𝐸(𝑅𝑖).𝑛𝑖=1 (2.42)
Keterangan:
𝐸(𝑅𝑝) : return ekspektasian dari portofolio
𝑥𝑖 : proporsi dari saham i terhadap seluruh saham di portofolio
𝐸(𝑅𝑖) : return ekspektasian dari saham ke-i
𝑛 : jumlah dari saham tunggal
3. Risiko
Risiko didefinisikan sebagai besarnya penyimpangan antara tingkat
pengembalian yang diharapkan (expected return) dengan tingkat pengembalian
yang dicapai secara nyata (realized return) (Abdul, 2005:42). Menghitung
return saja untuk suatu investasi tidaklah cukup. Risiko dari investasi juga perlu
42
diperhitungkan. Return dan risiko mempunyai hubungan yang positif, semakin
besar risiko yang harus ditanggung, semakin besar return yang harus
dikompensasikan (Jogiyanto, 2014:285).
a. Risiko Saham Individual
Menghitung risiko saham individual menggunakan persamaan berikut,
𝜎𝑖2 =
∑ (𝑅𝑖𝑡− 𝐸(𝑅𝑖))2𝑛𝑡=1
𝑢. (2.43)
Keterangan:
𝜎𝑖2 : risiko saham ke-i
𝑅𝑖𝑡 : return saham ke-i pada periode t
𝐸(𝑅𝑖) : expected return saham 𝑖
𝑢 : banyaknya return yang terjadi pada periode observasi
Persamaan untuk menghitung kovarian adalah
𝑐𝑜𝑣(𝑅𝑖𝑅𝑗) = 𝜎𝑖𝑗 =∑ {𝑅𝑖𝑡− 𝐸(𝑅𝑖)}{𝑅𝑗𝑡−𝐸(𝑅𝑗)}𝑛
𝑡=1
𝑢. (2.44)
Keterangan:
𝑐𝑜𝑣(𝑅𝑖𝑅𝑗) : kovarian return antara saham i dengan saham j
𝑅𝑖𝑡 : return saham ke-i pada periode t
𝐸(𝑅𝑖) : expected return saham 𝑖
𝑅𝑗𝑡 : return saham ke-j pada periode t
𝐸(𝑅𝑗) : expected return saham j
𝑢 : banyaknya return yang terjadi pada periode observasi
43
b. Risiko Portofolio
Konsep dari risiko portofolio pertama kali diperkenalkan secara formal
oleh Harry M. Markowitz di tahun 1950-an. Konsep tersebut menunjukkan
bahwa secara umum risiko mungkin dapat dikurangi dengan menggabungkan
beberapa sekuritas tunggal ke dalam bentuk portofolio. Risiko portofolio tidak
harus sama dengan rata-rata tertimbang risiko-risiko dari seluruh sekuritas
tunggal. Risiko portofolio bahkan dapat lebih kecil dari rata-rata tertimbang
risiko masing-masing sekuritas tunggal (Jogiyanto, 2014:287).
Portofolio dengan Dua Saham
Return portofolio ekspektasian adalah sebesar:
𝐸(𝑅𝑝) = 𝑥𝐴 𝐸(𝑅𝐴) + 𝑥𝐵 𝐸(𝑅𝐵). (2.45)
Keterangan:
𝐸(𝑅𝑝) : Expected return portofolio
𝑥𝐴 : Proporsi dari saham A terhadap seluruh sekuritas di portofolio
𝐸(𝑅𝐴) : Expected return saham A
Risiko portofolio dapat diukur dengan besarnya deviasi standar atau
varian dari nilai-nilai return sekuritas-sekuritas tunggal yang ada di dalamnya
(Jogiyanto, 2014:289). Oleh karena itu, varian return portofolio yang
merupakan risiko portofolio dapat dituliskan sebagai berikut:
𝑉𝑎𝑟(𝑅𝑝) = 𝜎𝑝2 = 𝑥𝐴
2 𝜎𝑅𝐴2 + 𝑥𝐵
2 𝜎𝑅𝐵2 + 2𝑥𝐴𝑥𝐵 𝐶𝑜𝑣(𝑅𝐴𝑅𝐵). (2.46)
Keterangan:
𝑉𝑎𝑟(𝑅𝑝) = 𝜎𝑝2: varians return portofolio
𝑥𝐴 : proporsi dari saham A terhadap seluruh sekuritas di portofolio
44
𝜎𝑅𝐴2 : varians return saham A
𝐶𝑜𝑣(𝑅𝐴𝑅𝐵): kovarian antara return saham A dan B
Kovarian (covariance) antara return saham A dan B yang ditulis sebagai
𝐶𝑜𝑣(𝑅𝐴𝑅𝐵) atau 𝜎𝐴𝐵, menunjukkan hubungan arah pergerakan dari nilai-nilai
return sekuritas A dan B. Kovarian yang dihitung dengan menggunakan data
historis dapat dilakukan dengan rumus sebagai berikut ini.
𝐶𝑜𝑣(𝑅𝐴𝑅𝐵) = 𝜎𝐴𝐵 = ∑[(𝑅𝐴𝑖−𝐸(𝑅𝐴𝑖)) (𝑅𝐵𝑖−𝐸(𝑅𝐵𝑖))]
𝑢.𝑛
𝑖=1 (2.47)
Keterangan:
Cov(RAR𝐵): kovarian return antara saham A dan saham B
RAi : return masa depan saham A kondisi ke- i
RBi : return masa depan saham B kondisi ke- i
E(RAi) : return ekspektasian saham A
E(RBi) : return ekspektasian saham B
𝑢 : banyaknya return yang terjadi pada periode observasi
Koefisien korelasi menunjukkan besarnya hubungan pergerakan antara
dua variabel relatif terhadap masing-masing deviasinya. Dengan demikian, nilai
koefisien korelasi antara variabel A dan B (𝜌𝐴𝐵) dapat dihitung dengan
membagi nilai kovarian dengan deviasi variabel-variabelnya.
𝜌𝐴𝐵 =𝐶𝑜𝑣(𝑅𝐴𝑅𝐵)
𝜎𝐴 𝜎𝐵. (2.48)
Dari rumus (2.48), nilai dari kovarian return saham A dan B dapat
dinyatakan dalam bentuk koefisien korelasi sebagai berikut:
𝐶𝑜𝑣(𝑅𝐴𝑅𝐵) = 𝜌𝐴𝐵 𝜎𝐴 𝜎𝐵. (2.49)
45
Menggunakan Persamaan (2.49), selanjutnya rumus varian portofolio
pada Persamaan (2.46) dapat dinyatakan dalam bentuk koefisien korelasi
sebagai berikut:
𝑉𝑎𝑟(𝑅𝑝) = 𝜎𝑝2 = 𝑥𝐴
2 𝜎𝑅𝐴2 + 𝑥𝐵
2 𝜎𝑅𝐵2 + 2𝑥𝐴𝑥𝐵 𝜌𝐴𝐵 𝜎𝐴𝜎𝐵. (2.50)
Portofolio dengan banyak saham
Dalam hal ini portofolio terdiri dari 𝑛 buah sekuritas dengan proporsi
masing-masing saham ke-i sebesar 𝑥𝑖. Sebelumnya besar varian untuk
portofolio dengan 3 sekuritas ini dapat dituliskan:
𝜎𝑝2 = [𝑥1
2𝜎12 + 𝑥2
2𝜎22 + 𝑥3
2𝜎32] + [2𝑥1𝑥2𝜎12 + 2𝑥1𝑥3𝜎13 + 2𝑥2𝑥3𝜎23]. (2.51)
Selanjutnya untuk 𝑛 -saham, rumus varian dituliskan sebagai berikut:
𝜎𝑝2 = [𝑥1
2𝜎12 + 𝑥2
2𝜎22 + 𝑥3
2𝜎32 + ⋯ + 𝑥𝑛
2𝜎𝑛2] + [2𝑥1𝑥2𝜎12 +
2𝑥1𝑥3𝜎13 + 2𝑥2𝑥3𝜎23 + ⋯ + 2𝑥2𝑥𝑛𝜎2𝑛 + ⋯ +
2𝑥𝑛−1𝑥𝑛𝜎𝑛−1,𝑛]. (2.52)
Persamaan (2.52) dapat dituliskan menjadi persamaan berikut (Eduardus,
2001:66)
𝜎𝑝2 = ∑ 𝑥𝑖
2𝜎𝑖2𝑛
𝑖=1 + ∑ ∑ 𝑥𝑖𝑥𝑗𝜎𝑖𝑗.𝑛𝑗=1𝑖≠𝑗
𝑛𝑖=1 (2.53)
Keterangan:
𝜎𝑝2 : risiko portofolio
σi2 : varians dari investasi pada saham ke-i
𝑥i2 : proporsi dari saham i terhadap seluruh saham di portofolio
𝑥j2 : proporsi dari saham j terhadap seluruh saham di portofolio
𝜎𝑖𝑗 : kovarian return antara saham i dan saham j
46
4. Uji Normalitas
Uji normalitas data dilakukan sebelum data diolah berdasarkan model-
model penelitian yang dilakukan. Menurut Setyosari (2010:238) distribusi
normal merupakan suatu distribusi atau persebaran yang simetris sempurna dari
skor rata-rata. Uji normalitas data bertujuan untuk mendeteksi distribusi data
dalam suatu variabel yang akan digunakan dalam penelitian. Sedangkan
menurut Syofian (2013:153) menyatakan bahwa tujuan uji normalitas adalah
mengetahui apakah populasi data berdistribusi normal atau tidak. Ada berbagai
cara untuk menguji normalitas data yang telah dikembangkan oleh para ahli,
salah satunya menggunakan uji Kolmogorov-Smirnov yang sering digunakan.
Prinsip kerja uji Kolmogorov-Smirnov adalah membandingkan frekuensi
observasi (Syofian, 2013:153).
Uji normalitas dalam dunia investasi bertujuan untuk menguji return
saham berdistribusi normal atau tidak. Pengujian ini digunakan untuk
mengantisipasi terjadinya ketidakstabilan harga, sehingga dikhawatirkan
mengalami penurunan harga saham yang signifikan dan merugikan investor.
Return saham yang berdistribusi normal dapat dimasukkan sebagai saham
pembentuk portofolio. Uji normalitas Kolmogorov-Smirnov dapat dilakukan
dengan bantuan SPSS.
Prosedur untuk pengujian menggunakan Kolmogorov-Smirnov
a. Hipotesis
𝐻0: data berdistribusi normal
𝐻1: data tidak berdistribusi normal
47
b. Taraf signifikansi 𝛼
c. Statistik uji
Kolmogorov-Smirnov 𝑇 =𝑆𝑢𝑝
𝑋 |𝐹∗(𝑋) − 𝑆(𝑋)|
𝐹∗(𝑋) adalah distribusi kumulatif data sampel
𝑆(𝑋) adalah distribusi kumulatif yang dihipotesiskan
d. Kriteria pengujian hipotesis
𝐻0 ditolak jika 𝑇 < 𝑇𝑡𝑎𝑏𝑒𝑙 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
𝐻0 diterima jika 𝑇 > 𝑇𝑡𝑎𝑏𝑒𝑙 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼
e. Perhitungan
f. Kesimpulan
5. Model Portofolio
Model portofolio dapat diformulasikan dalam bentuk pemrograman
nonlinear. Andaikan 𝑛 saham yang termasuk dalam portofolio dan misalkan
variabel keputusan 𝑥𝑗 (𝑗 = 1,2,3, . . . , 𝑛) menyatakan banyaknya proporsi dana
yang diinvestasikan pada saham 𝑗. Selanjutnya expected return diterangankan
sebagai R(x) dan V(x) sebagai varian atau total risiko dari saham yang masuk
kedalam portofolio. Model ini memaksimalkan ekspektasi return dengan
tingkat risiko tertentu, parameter β merupakan konstanta tak negatif yang
mengukur tingkat keinginan investor terhadap hubungan antara ekspektasi
return dan risiko. Pemilihan β kecil dan mendekati 0 menyatakan bahwa risiko
diabaikan, apabila nilai β yang diambil besar atau sama dengan 1 artinya
investor sangat memperhatikan risiko. Nilai untuk β yaitu 0<β≤1. Berdasarkan
48
Persamaan (2.42) dan (2.53) diperoleh model pemrograman nonlinear sebagai
berikut (Hillier, 2001:658) :
Memaksimumkan
𝑓(𝑥) = 𝑅(𝑥) − 𝛽𝑉(𝑥)
= ∑ 𝐸(𝑅𝑗)𝑥𝑗𝑛𝑗=1 − 𝛽 (∑ 𝑥𝑗
2𝜎𝑗2𝑛
𝑗=1 + ∑ ∑ 𝑥𝑖𝑥𝑗 𝜎𝑖𝑗𝑛𝑗=1𝑖≠𝑗
𝑛𝑖=1 ) (2.54)
dengan kendala
∑ 𝑥𝑗𝑛𝑗=1 ≤ 𝐵 (2.55a)
dan 𝑥𝑗 ≥ 0, untuk 𝑗 = 1, 2, 3, . . . , 𝑛. (2.55b)
dimana B merupakan jumlah uang yang dianggarkan untuk portofolio.
Pemrograman nonlinear pada fungsi tujuan Persamaan (2.54) merupakan
model mean variance Markowitz yaitu memaksimumkan expected return
dengan risiko tertentu. Model mean variance Markowitz didefinisikan
menggunakan fungsi lagrange dengan satu pengali lagrange yaitu 𝛽 untuk
memperoleh penyelesaian optimal.
I. Kinerja Portofolio
Seorang investor akan menghadapi kesulitan dalam pembentukan suatu
portofolio. Terdapat banyak bentuk portofolio dalam kemungkinan dari
kombinasi saham-saham yang ada. Pada pemilihan portofolio, investor memilih
portofolio yang optimal. Portofolio optimal berbeda untuk masing-masing
investor.
49
Seorang investor yang rasional akan memilih potofolio efisien.
Portofolio efisien (efficient portofolio) didefinisikan sebagai portofolio yang
memberikan return ekspektasian terbesar dengan risiko tertentu atau
memberikan risiko terkecil dengan return ekspektasian tertentu (Jogiyanto,
2014:367). Sedangkan portofolio optimal merupakan portofolio dengan
kombinasi return ekspektasian dan risiko terbaik.
Investor selalu ingin memaksimalkan return yang diharapkan dengan
tingkat risiko tertentu yang bersedia ditanggungnya, atau mencari portofolio
yang menawarkan risiko terendah dengan tingkat return tertentu. Karakteristik
portofolio seperti ini disebut sebagai portofolio yang efisien (Eduardus,
2001:74). Sedangkan portofolio yang dipilih seorang investor dari sekian
banyak pilihan yang ada pada kumpulan portofolio efisien merupakan
portofolio optimal.
Return tinggi belum tentu menjadi investasi yang baik, return rendah
juga dapat menghasilkan investasi yang baik jika mempunyai tingkat risiko
yang rendah pula. Oleh karena itu return yang dihitung perlu menyesuaikan
dengan risiko yang harus ditanggung. Beberapa model perhitungan return
sesuaian-risiko (risk-adjusted return) adalah return reward to variability,
reward to volatility, reward to market risk, reward to diversification, Jensen’s
alpha, 𝑀2, dan rasio informasi (Jogiyanto, 2014:708). Dalam penelitian ini
akan digunakan reward to variability (sharpe measure). Kinerja portofolio yang
dihitung menggunakan pengukuran ini dilakukan dengan membagi return lebih
(excess retur) dengan variabilitas (variability) return portofolio. Reward to
50
variability ratio yaitu perbandingan antara tingkat pengembalian portofolio dan
risiko portofolio. Portofolio yang memiliki kinerja terbaik adalah yang
mempunyai indeks sharpe tertinggi. Dengan demikian diperoleh persamaan
dalam pengukur indeks sharpe dapat dilihat sebagai berikut (Rahadian, 2014:5):
𝐼𝑛𝑑𝑒𝑘𝑠 𝑠ℎ𝑎𝑟𝑝𝑒 =𝑅𝑝
𝜎𝑝. (2.56)
Keterangan:
𝑅𝑝: Return portofolio
𝜎𝑝: Risiko portofolio
J. Excel Solver
Penelitian ini menggunakan bantuan excel dalam menyelesaikan
pemrograman linear. Excel merupakan program pengolah lembar kerja
Microsoft yang berada dalam satu paket dengan office. Penyempurnaan paket
Office membuat excel semakin berguna untuk menyelesaikan berbagai kasus
melalui fasilitas Add In, Data Analysis, Scenario. Disamping itu, beberapa
program yang memanfaatkan kelebihan spread sheet di dalam Excel seperti
Crystal Ball, @ risk, Tree Plan, What’s best, dan lain-lain juga sudah tersedia
untuk membantu pengguna untuk mengeksplorasi diri guna memecahkan
berbagai masalah yang ada. Solver adalah fasilitas bawaan excel yang
memungkinkan pengguna untuk menyelesaikan kasus-kasus optimalisasi bukan
hanya model linear (Siswanto, 2006:197). Fasilitas Solver belum terinstal secara
langsung pada excel, langkah-langkah memunculkan menu solver sebagai
berikut:
51
a. Klik Office Button (button berbentuk logo Ms. Office), kemudian pilih excel
option
b. Pilih bagian Add-ins, kemudian pilih Excel Add-in pada opsi Manage dan
klik GO
c. Muncul kotak dialog Add-in dan check pada Solver Add-in dan klik OK
d. Solver muncul pada menu Data.