Analisis Komparatif Kinerja Algoritma Klasik, Metaheuristik, dan Hibrida untuk Optimisasi Portofolio Saham Berbasis Clustering

Penelitian ini membahas strategi pembentukan portofolio optimal melalui kombinasi analisis clustering dan optimisasi portofolio menggunakan pendekatan klasik, metaheuristik, serta hybrid. Tahap awal dilakukan pengelompokan saham menggunakan berbagai metode clustering. Berdasarkan hasil evaluasi, metode DBSCAN memberikan hasil terbaik dengan nilai Silhouette Score tertinggi. Hasil clustering menghasilkan dua kelompok saham, dan portofolio awal dipilih dari klaster saham stabil dengan fundamental kuat. Optimisasi portofolio kemudian dilakukan menggunakan pendekatan klasik berbasis Teori Portofolio Modern (Markowitz), yang menunjukkan portofolio Maximum Sharpe Ratio memberikan performa terbaik dengan Sharpe sebesar 1,3975. Selanjutnya, berbagai algoritma metaheuristik (Differential Evolution, Genetic Algorithm, Artificial Bee Colony, dan lain-lain) diuji dan menunjukkan hasil mendekati pendekatan klasik, meskipun sedikit lebih rendah. Untuk meningkatkan kinerja, dikembangkan algoritma hybrid seperti GA–PSO, GA–SA, dan WOA–SA. Hasil menunjukkan bahwa pada portofolio stabil, hybrid memberikan hasil setara dengan metode klasik, sedangkan pada portofolio berisiko tinggi, WOA–SA Hybrid menghasilkan Sharpe Ratio tertinggi, yaitu 2,6777. Evaluasi robustness menggunakan rolling window dan bootstrapping menunjukkan ketiga pendekatan memiliki stabilitas kinerja yang baik sepanjang periode uji. Secara keseluruhan, penelitian ini menunjukkan bahwa integrasi clustering dengan algoritma hybrid-metaheuristic dapat meningkatkan efektivitas optimisasi portofolio, terutama dalam kondisi pasar yang dinamis dan penuh ketidakpastian.