BAB II

KAJIAN PUSTAKA

Pada bab ini dibahas mengenai materi dasar yang digunakan untuk bab

selanjutnya yaitu variabel random, varians dan kovarians, distribusi normal,

analisis multivariat, turunan parsial, integral riemann, metode simpleks, investasi,

portofolio, saham, Capital Assets Pricing Model, model Black-Litterman,

distribusi kerugian, value at risk, ukuran risiko koheren dan package Rglpk pada

software R Studio.

A. Variabel Random

Dalam pembahasan mengenai pengukuran risiko dengan menggunakan

CVaR, variabel random digunakan untuk mendefinisikan kerugian (loss), karena

kerugian merupakan suatu variabel random.

1. Definisi Variabel Random

Definisi 2.1 (Bain & Engelhardt, 1992, hal. 53). Variabel random X adalah suatu
fungsi yang terdapat pada ruang sampel S, yang menghubungkan setiap anggota
pada ruang sampel S dengan suatu bilangan real. Variabel random X dapat
dinyatakan dengan
( ) , dengan .
Variabel random dinotasikan dengan huruf kapital misalnya .
Sedangkan untuk nilai yang mungkin dari setiap hasil observasi pada ruang
sampel dinotasikan dengan huruf kecil misalnya dan .

Contoh 2.1.

Tiga mobil dipilih secara acak dan setiap kategori memiliki mesin disel (D) atau

tidak memiliki mesin disel (F). jika X (variabel random) = jumlah mobil dengan

mesin disel, maka hasil S yang diperoleh yaitu:

S = { (D,D,D), (D,D,F), (D,F,F), (F,F,F), (D,F,D), (F,F,D), (F,D,F), (F,D,D) }

sehingga, variabel random X = 3, 2, 1, 0, 2, 1, 1, 2.

7
2. Distribusi Probabilitas

Definisi 2.2 (Bain & Engelhardt, 1992, hal. 56). Suatu variabel random X
dikatakan variabel random diskrit jika himpunan nilai yang mungkin muncul dari
X merupakan himpunan terhitung. Jika X merupakan variabel random diskrit,
fungsi peluang variabel random diskrit didefiniskan sebagai berukut:

( ) , -

Distribusi probabilitas dari variabel X merupakan himpunan semua

pasangan ( ( ( )) ( ) adalah fungsi untuk menujukkan probabilitas dari
masig-masing nilai X yang memungkinkan.

Misal X suatu variabel random diskrit memiliki fungsi densitas probabilitas (fdp)

variabel random X jika memenuhi syarat berikut.

1. ( ) (2.1)

2. ∑ ( ) (2.2)

3. ( ) , - (2.3)

Misal X suatu variabel kontinu memiliki fungsi densitas probabilitas (fdp)

variabel random X jika memenuhi syarat berikut.

1. ( ) (2.4)

2. ∫ ( ) (2.5)

3. , - ∫ ( ) (2.6)

Distribusi probabilitas variabel random X dapat dinyatakan dengan fungsi

kumulatifnya. Fungsi distribusi kumulatif (fdk) yang menyatakan probabilitas

suatu variabel random bernilai real. Misal, X merupakan suatu variabel random,

maka fungsi distribusi kumulatif untuk semua nilai X yaitu:

( ) ( )

8
 ( ) menyatakan suatu probabilitas variabel random X yang kurang dari

atau sama dengan x.

Untuk X suatu variabel random diskrit, fungsi distribusi kumulatif X yaitu:

( ) ( ) ∑ ( )

untuk X suatu variabel random kontinu, fungsi distribusi kumulatif X yaitu:

( ) ( ) ∫ ( )

Fungsi densitas probabilitas dari variabel random kontinu dapat dihitung

dengan menggunakan fungsi distribusi kumulatif dari variabel random X yaitu

F(x), sehingga diperoleh

( ) ( )

Fungsi distribusi kumulatif memiliki sifat-sifat sebagai berikut:

a. Jika maka ( ) ( ) sehingga ( ) bersifat naik (increasing).

b. Kontinu ke kanan, yaitu ( ) ( ) untuk setiap x R.

( ) adalah limit kanan dari ( ) dengan ( ) ( ).

c. F mempunyai limit kiri ( ) ( ) untuk setiap x R, dengan

( ) ( ).

d. ( )

e. ( )

9
3. Distribusi Bersama

Definisi 2.3 (Bain & Engelhardt, 1992, hal. 137). Fungsi densitas probabilitas
bersama dari suatu variabel random X diskrit berdimensi dengan
( ) didefinisikan sebagai:

( ) , -

untuk setiap nilai X yang mungkin, ( )

Definisi 2.4 (Bain & Engelhardt, 1992, hal. 144). Suatu variabel random X
berdimensi , ( ) dikatakan kontinu jika fungsi densitas
probabilitas sama dengan ( ) ( ), sehingga fungsi distribusi
kumulatif X bersamanya dapat didefinisikan sebagai berikut:

( ) ∫ ∫ ( )

untuk setiap ( ).

Jika X adalah variabel random kontinu berdimensi k, fungsi densitas probabilitas

bersamanya dapat diperoleh dari fungsi distribusi kumulatif, sehingga diperoleh:

( ) ( )

Contoh 2.2.

Misal adalah unsur pada percobaan pertama, adalah unsur pada percobaan

kedua. Diasumsikan bahwa fungsi densitas probabilitas bersamanya adalah

( ) ; dan 0 untuk x yang lainnya. Fungsi

distribusi kumulatif bersamanya yaitu:

( ) ∫ ∫ ( )

∫ ∫

Jadi fungsi distribusi kumulatif bersamanya adalah untuk

10
4. Nilai Harapan

Definisi 2.5 (Bain & Engelhardt, 1992, hal. 61). Jika X adalah variabel random
diskrit dengan fungsi densitas probabilitas ( ), maka nilai harapan dari X
didefinisikan sebagai:
( ) ∑ ( )

Definisi 2.6 (Bain & Engelhardt, 1992, hal. 67). Jika variabel random X kontinu
dengan fungsi densitas probabilitas ( ), maka nilai harapan dari X
didefinisikan sebagai:
( ) ∫ ( )

Sifat-sifat nilai harapan yaitu:

1. ( ) ( ) ( )

2. ( ) ( ) dan adalah konstanta

3. ( ) ( ) ( ) jika dan independen

Contoh 2.3.

Misalkan X adalah variabel random kontinu dengan fungsi densitas probabilitas

( ) untuk dan 0 untuk x yang lain,

a. Tunjukkan bahwa fungsi tersebut merupakan fungsi densitas probabilitas.

b. Hitunglah nilai harapan dari X.

Penyelesaian:

a. Menggunakan Persaman 2.5 yaitu:

∫ ( ) sehingga ∫ 0 1

b. Nilai harapan dari X adalah

( ) ∫ ( )

∫ ∫ 0 1

11
5. Ekspektasi Bersyarat

Jika T adalah himpunan bilangan indeks pada variabel random yaitu

* +, maka ekspektasi bersyarat X dengan syarat * + didefinisikan

sebagai berikut.

( | ) ∑ ( )

∫ ( )
∑[ ]
( )
∑ ( )
∑[ ]
{ ( )

Keterangan:

( ) = ekspektasi bersyarat X dengan syarat .

Contoh 2.4.

Misalkan X adalah variabel random diskrit dengan fungsi densitas probabilitas

( ) ( ) untuk dan 0 untuk yang lain. Tentukan

nilai harapan dengan syarat .

Penyelesaian:

∑ ( ) ∑ ( )
( | )
( ) ∑ ( )

( ) ( ) ( ) ( )

( )

Jadi nilai harapan X dengan syarat adalah .

12
6. Persentil

Definisi 2.7 (Bain & Engelhardt, 1992, hal. 68). Jika maka
persentil pada distribusi variabel random kontinu X merupakan penyelesaian
untuk persamaan:
( )
( )
Pada umumnya, suatu distribusi mungkin tidak kontinu, dan jika distribusi
tersebut diskontinu, maka akan terdapat beberapa nilai p sedemikian sehingga
persamaan ( ) tidak memiliki penyelesaian.

Definisi persentil secara umum adalah penyelesaian dari pertidaksamaan

berikut:

( ) ( )

B. Varians dan Kovarians

Definisi 2.8 (Bain & Engelhardt, 1992, hal. 73). Varians dari variabel random X
didefinisikan dengan
( ) ,( ) -
Notasi varians yang lain yaitu ( ) standar deviasi dari X
didefinisikan sebagai akar positif dari varians yaitu √ ( ).

Teorema 2.1 (Bain & Engelhardt, 1992, hal. 74). Jika X adalah variabel random

maka

( ) ( )

Bukti:

( ) ,( ) -

( )

( ) ( )

Nilai ekspektasi X adalah ( ) maka

( ) ( )

13
 ( )

Teorema 2.2 (Bain & Engelhardt, 1992, hal. 74). Jika X adalah variabel random,
dan merupakan konstanta, maka
( ) ( )

Bukti:

( ) ,( ) -

,( ) -

, ( ) -

,( ) -

( )

Definisi 2.9 (Bain & Engelhardt, 1992, hal. 174). Kovarians dari pasangan
variabel random X dan Y didefinisikan sebagai

( ) ,( )( )-

notasi lain untuk kovarians adalah .

Jika X dan Y variabel random diskrit, maka

( ) ,( )( )-

∑ ∑( )( ) ( )

Jika X dan Y variabel random kontinu, maka

( ) ,( )( )-

∫ ∫( )( ) ( )

Jika X dan Y adalah variabel random, a dan b konstanta, maka

1. ( ) ( )

14
 2. ( ) ( )

3. ( ) ( )

4. ( ) jika X dan Y independen

C. Distribusi Normal

1. Definisi Distribusi Normal

Definisi 2.10 (Bain & Engelhardt, 1992, hal. 118). Variabel random X dikatakan
berdistribusi normal dengan mean  dan varians 2 jika mempunyai fungsi
densitas probabilitas yaitu:

0 1
( )
√

Untuk dengan dan . Variabel random

X berdistribusi normal dinotasikan dengan ( ). Distribusi normal sering

juga disebut dengan distribusi Gauss.

2. Uji Kolmogorov-Smirnov

Uji normalitas Kolmogorov-Smirnov dapat dicari dengan menggunakan

bantuan software SPSS 20. Konsep dasar yang digunakan dari Uji Kolmogorov-

Smirnov yaitu membandingkan distribusi data (data return) dengan distribusi

normal baku. Distribusi normal baku merupakan data yang telah

ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal.

a. Hipotesis

H0 : data return saham berdistribusi normal

H1 : data return saham tidak berdistribusi normal

b. Tingkat Signifikansi 

c. Statistik Uji

15
 Kolmogorov-Smirnov | ( ) ( )|

dengan:

= distribusi kumulatif data sampel

( ) = distribusi kumulatif yang dihipotesiskan

d. Kriteria Keputusan

H0 ditolak jika

e. Perhitungan

f. Kesimpulan

Contoh 2.5.

Untuk menguji kecenderungan orang Negro Amerika terhadap kesukaan tingkat-

tingkat warna kulit menurut gelap-terangnya dilakukan pemotretan terhadap 10

orang. Fotografer memroses sedemikian rupa sehingga dari setiap subyek yang

sama didapatkan 5 cetakan menurut gelap-terangnya kemudian diurutkan dari

yang paling gelap hingga paling terang. Foto yang warna kulitnya paling gelap

diletakkan di tingkat 1, yang paling terang di tingkat 5. Kemudian setiap subyek

diminta memilih diantara kelima foto mereka sendiri. Jika gelap-terangnya warna

wajah mereka tidak penting, maka kelima lembar foto itu akan dipilih sama

seringnya. Jika gelap-terangnya penting bagi mereka, maka orang-orang itu secara

konsisten akan lebih menyukai salah satu dari tingkatan gelap-terangnya foto.

Data prefensi warna kulit orang Negro Amerika dituliskan pada Tabel 1.1 berikut.

16
 Tabel 1. 1 Preferensi Warna Kulit 10 Orang Negro

Tingkatan gelap-terangnya fototerpilih

(1 adalah warna kulit paling gelap)
1 2 3 4 5
= jumlah yang memilih 0 1 0 5 4
jumlah itu
( ) = distribusi 1/5 2/5 3/5 4/5 5/5
kumulatif data sampel
( ) = distribusi kumulatif 0/10 1/10 1/10 6/10 10/10
yang dihipotesiskan
| ( ) ( )| 2/10 3/10 5/10 2/10 0

Dari data diatas diketahui D untuk data ini adalah atau dengan

sehingga dari tabel D Kolmogorov-Smirnov pada Lampiran 12 diperoleh

nilai , nilai p-value yaitu antara dan yang diperoleh dari

nilai pada tabel D Kolmogorov-Smirnov. Maka, ditolak karena dan

sehingga subyek-subyek pada penelitian tersebut menunjukkan

preferensi yang signifikan dalam hal gelap-terangnya warna kulit.

D. Analisis Multivariat

Analisis statistik multivariat merupakan metode statistik untuk

menganalisis hubungan antara lebih dari dua variabel secara bersamaan. Data

sampel analisis multivariat secara umum dapat digambarkan dalam bentuk

matriks dengan n objek dalam p variabel sebagai berikut (Johnson & Wichern,

2007, hal. 5):

17
 Variabel 1 Variabel 2 Variabel k Variabel p
Objek 1
Objek 2

Objek j

Objek n

atau dapat ditulis dalam bentuk matriks X dengan n baris dalam p kolom

[ ]

1. Multivariat berdistribusi Normal

Fungsi distribusi multivariat normal merupakan perluasan dari fungsi

distribusi univariat normal dengan rata-rata  dan varians-kovarians matriks ∑

(Johnson & Wichern, 2007, hal. 150). Dimana,

[ ] [ ]
[ ]

maka fungsi densitas multivariat normal yaitu

( ) ( )
( )
( ) | |

dengan

18
2. Vektor Random dan Matriks Random

Vektor random adalah vektor yang elemen-elemennya berupa variabel

random. Jika suatu unit eksperimen hanya memiliki satu variabel terukur maka

variabel tersebut merupakan variabel random, sedangkan jika terdapat lebih dari

satu variabel terukur, misal n variabel maka variabel-variabel tersebut disebut

vektor random dengan n komponen. Sedangkan, matriks random adalah matriks

yang mempunyai elemen variabel random (Johnson & Wichern, 2007, hal. 66).

3. Mean dan Kovarians Vektor Random

Misal X merupakan suatu variabel random dengan mean ( ) dan

matriks kovarians Mean vektor random berukuran dinyatakan dengan

(Johnson & Wichern, 2007, hal. 68),

( )
( )
( ) [ ] [ ]
( )

Untuk kovarians vektor random X berukuran p x 1 yaitu

( )( )

([ ]( ))

( ) ( )( ) ( )( )
( )( ) ( ) ( )( )

[( )( ) ( )( ) ( ) ]

19
 ( ) ( )( ) ( )( )
( )( ) ( ) ( )( )

[ ( )( ) ( )( ) ( ) ]

atau dapat dinyatakan dengan ( )

[ ]

dengan

Kovarians untuk sampel dinyatakan

[ ]

dengan ̂ ̂

E. Turunan Parsial

Definisi 2.11 (Purcell & Varberg, 2001, hal. 197). Jika ( ) terdefinisi
dalam domain D dibidang XY, sedangkan turunan pertama f terdapat x dan y
disetiap titik (x,y) ada maka:
turunan pertama f di x (selain x dianggap konstanta) adalah

( ) ( )

turunan pertama f di y (selain y dianggap konstanta) adalah

( ) ( )

dapat dinotasikan dengan:

( )

( )

20
F. Integral Riemann

Definisi 2.12 (Purcell & Varberg, 2001, hal. 338). Diketahui fungsi f(x) pada
selang tertutup , - sebanyak n partisi dengan adalah lebar
partisi, ̅̅̅ Sehingga integral f(x) untuk , -
didefinisikan sebagai limit jumlah Riemann yaitu:

∫ ( ) ∑ (̅̅̅) ∑ (̅̅̅)

Gambar 2. 1 Integral Riemann

Jika limit ada maka f(x) dikatakan integrabel (dapat diintegralkan) pada

selang , - Integral ini disebut dengan Integral Riemann atau Integral Tentu.

G. Metode Simpleks

Penyelesaian suatu permasalahan pemograman linear dapat menggunakan

metode simpleks. Bentuk dasar yang digunakan yaitu pemograman linear yang

mencari X yang memaksimumkan (atau meminimumkan) (B. Susanta,

1994, hal. 6),

21
dengan kendala : ( )

dengan ( ) , -
[ ] [ ]

Kendala yang berbentuk pertidaksamaan ∑ , ∑ ,

dapat diubah menjadi persamaan sebagai berikut:

1. Untuk pertidaksamaan bertanda “ ” dapat dibentuk dalam suatu

persamaan “=” dengan cara mengurangkan ruas kiri pembatas linear

dengan surplus variable yaitu ∑ ∑

dengan .

2. Untuk pertidaksamaan bertanda “ ” dapat dibentuk dalam suatu

persamaan “=” dengan cara menambahkan slack variable pada ruas kiri

pembatas linear yaitu ∑ dengan .

Metode Simpleks merupakan suatu metode pemprograman linear dengan

penyelesaian yang bertahap, mulai dari satu titik ekstrim lalu kemudian ke titik

ekstrim berikutnya dengan tujuan memperbaiki optimalitas dengan

mempertahankan kelayakan atau bergerak kearah kelayakan tanpa merusak

optimalitas. Penyelesaian pemograman linear dengan metode simpleks dapat

menggunakan tabel yang disebut dengan tabel simpleks yang ditunjukkan sebagai

berikut:

22
 Tabel 2. 1 Tabel Simpleks

Cj C1 C2 ... Cn
̅ ̅ ...
̅ ̅ ...
̅ ̅ ....

̅ ̅ ...
... Z
... Z

keterangan:

: baris diisi dengan koefisien-koefisien fungsi tujuan

: baris diisi dengan nama-nama variabel peubah

̅ : kolom diisi dengan nama-nama variabel yang menjadi basis

̅ : kolom diisi dengan koefisien-koefisien peubah yang mejadi basis

: kolom diisi dengan konstanta kendala

: kolom diisi dengan rumus ∑ untuk j=1, 2, ..., n

: kolom diisi dengan rumus ( adalah elemen-elemen yang ada

dalam kolom kunci ,dan hanya dihitung untuk ).

Setelah tabel simpleks terbentuk, maka langkah-langkah penyelesaian dari

tabel tersebut adalah sebagai berikut:

1. Mengindentifikasi tabel layak atau tidak, fungsi kelayakan tabel dilihat

dari solusi nilai kanan ( ) jika solusi bernilai positif maka tabel layak dan

23
 jika ada nilai solusi yang negatif maka tabel tidak layak sehingga tidak

bisa diteruskan.

2. Menentukan kolom kunci dilihat dari nilai dengan nilai negatif

terbesar untuk fungsi tujuan memaksimumkan dan nilai positif terkecil

untuk fungsi tujuan meminimumkan.

3. Memilih baris kunci dengan nilai terkecil dari selisih nilai solusi dan

nilai kolom kunci yang bersesuaian.

4. Menentukan nilai kunci yaitu nilai yang terletak diantara perpotongan

baris kunci dan kolom kunci.

5. Mengubah nilai-nilai baris kunci dengan cara membaginya dengan angka

kunci.

6. Mengubah nilai selain nilai pada baris kunci dengan cara mengurangkan

nilai kolom kunci baris yang bersangkutan dikali baris kunci baru dalam satu

kolom terhadap baris lamanya yang terletak dalam satu kolom juga.

7. Lihat tabel sudah optimum atau belum. Tabel dengan fungsi tujuan

memaksimumkan berarti bernilai positif atau 0, tabel dengan fungsi

tujuan meminimumkan memiliki nilai negatif atau 0. Jika tabel

belum optimal maka langkah 2-7 dapat diulangi kembali hingga tabel

optimum.

Contoh 2.7.

Memaksimumkan

dengan fungsi kendala,

24
 ,

Penyelesaian:

Kendala dalam bentuk kanonik

dan memaksimumkan

Cj 9 2 5 0 0 0
̅ ̅ x1 x2 x3 s1 s2 s3 bi Ri
0 s1 2 3 -5 1 0 0 12 6
0 s2 2 -1 3 0 1 0 3 3/2
0 s3 3 1 -2 0 0 1 2 2/3
Zj 0 0 0 0 0 0 0
Zj-Cj -9 -2 -5 0 0 0

Cj 9 2 5 0 0 0
̅ ̅ x1 x2 x3 s1 s2 s3 bi Ri
0 s1 0 7/3 -11/3 1 0 -2/3 32/3 -
0 s2 0 -5/3 13/3 0 1 -2/3 5/3 15/3
9 x1 1 1/3 -2/3 0 0 1/3 2/3 -
Zj 9 3 -6 0 0 3 6
Zj-Cj 0 1 11 0 0 3 6

Cj 9 2 5 0 0 0
̅ ̅ x1 x2 x3 s1 s2 s3 bi Ri
0 s1 0 12/13 0 1 11/13 -16/13 157/13 157/12
5 x3 0 -5/13 1 0 3/13 -2/13 5/13 -
9 x1 1 1/13 0 0 2/13 2/13 12/13 12
Zj 9 -16/13 5 0 33/13 17/13 133/13
Zj-Cj 0 -42/13 0 0 33/13 17/13 133/13

25
 Cj 9 2 5 0 0 0
̅ ̅ x1 x2 x3 s1 s2 s3 bi Ri
0 s1 -12 0 0 1 -1 -4 1
5 x3 5 0 1 0 1 1 5
2 x2 13 1 0 0 2 3 12
Zj 51 2 5 0 9 11 49
Zj-Cj 42 0 0 0 9 11 49

Karena semua nilai , maka tabel simpleks tersebut sudah optimum,

dengan nilai , dan dan nilai f maksimumnya yaitu 49.

H. Investasi

Investasi adalah komitmen atas sejumlah dana atau sumberdaya lainnya

yang dilakukukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan

di masa datang (Eduardus Tandelilin, 2001, hal. 3). Investasi berkaitan dengan

berbagai macam aktivitas seperti menginvestasikan sejumlah dana pada aset riil

(tanah, emas, mesin atau bangunan), maupun aset finansial (deposito, saham

ataupun obligasi). Seorang investor harus memahami dasar-dasar investasi untuk

membuat keputusan investasi sehingga dapat meminimumkan risiko yang akan

terjadi. Hal mendasar dalam proses keputusan investasi adalah pemahaman

hubungan antara return yang diharapkan dan risiko suatu investasi. Hubungan

risiko dan return yang diharapkan dari suatu investasi merupakan hubungan yang

searah dan linear. Artinya, semakin besar risiko yang harus ditanggung, semakin

besar pula return yang diharapkan (Eduardus Tandelilin, 2001, hal. 5).

Tahap-tahap keputusan investasi menurut Tandelilin (2001) yaitu :

1) Penentuan tujuan investasi

26
 Tahap pertama dalam proses keputusan investasi adalah menentukan

tujuan investasi yang akan dilakukan. Tujuan investasi untuk masing-

masing investor bisa berbeda tergantung pada investor yang membuat

keputusan tersebut.

2) Penentuan kebijakan investasi

Tahap penentuan kebijakan investasi dilakukan dengan penentuan

keputusan alokasi aset. Keputusan ini menyangkut pendistribusian dana

yang dimiliki pada berbagai kelas aset yang tersedia (saham, obligasi,

bangunan maupun sekuritas luar negeri).

3) Pemilihan strategi portofolio

Strategi portofolio yang bisa dipilih yaitu strategi portofolio aktif dan

strategi portofolio pasif. Strategi portofolio aktif meliputi kegiatan

penggunaan informasi yang tersedia untuk mencari kombinasi portofolio

yang lebih baik. Strategi portofolio pasif meliputi aktivitas investasi pada

portofolio yang seiring dengan kinerja indeks pasar.

4) Pemilihan aset

Pemilihan aset yang dilakukan untuk membentuk suatu portofolio.

Tahap ini memerlukan pengevaluasian setiap sekuritas yang ingin

dimasukkan dalam portofolio untuk mencari kombinasi portofolio yang

efisien oleh perusahaan. Apabila kinerja keuangan perusahaan cukup

bagus dan sudah mampu membayar kewajiban keuangan lainnya.

27
I. Portofolio

Portofolio didefinisikan sebagai kumpulan dari beberapa sekuritas dalam

suatu unit yang dipegang atau dibuat oleh seorang investor, perusahaan investasi,

atau institusi keuangan (Jogiyanto Hartono, 2014(a), hal. 6). Pembentukan

portofolio bertujuan untuk melakukan diversifikasi pada investasi sehingga

mampu memaksimalkan keuntungan dengan risiko yang minimal.

1. Return Portofolio

Return merupakan hasil yang diperoleh dari investasi. Return dapat berupa

return realisasian (realized return) dan return harapan (expected return).

Realized return merupakan return yang telah terjadi yang dihitung menggunakan

data historis. Sedangkan, expected return adalah return yang diharapkan akan

diperoleh oleh investor di masa mendatang (Jogiyanto Hartono, 2014(b), hal.

263).

Realized return portofolio merupakan rata-rata tertimbang dari return-

return realisasian masing-masing sekuritas tunggal di dalam portofolio tersebut

(Jogiyanto Hartono, 2014(b), hal. 311).

Realized return portofolio dapat dirumuskan dengan

∑ (2.7)

dimana :

= realized return portofolio

proporsi dari sekuritas i terhadap seluruh sekuritas di portofolio

realized return dari sekuritas ke-i

jumlah dari sekuritas tunggal

28
Return suatu sekuritas dihitung menggunakan rumus

(2.8)

dimana :

= harga sekuritas pada periode ke-t

= harga sekuritas pada periode ke-(t-1)

Return suatu sekuritas untuk sampel dinyatakan dengan rumus

̅ ̅ ̅̅̅̅̅̅
( )
̅̅̅̅̅̅ ̅̅̅̅̅̅

Expected return portofolio merupakan rata-rata tertimbang dari return-

return harapan masing-masing sekuritas tunggal di dalam portofolio (Jogiyanto

Hartono, 2014(b), hal. 312).

Expected return portofolio dinyatakan dengan rumus

( ) ∑ ( ) (2.10)

dimana :

( ) = Expected return dari portofolio

= proporsi dana investor pada sekuritas ke-i

( ) = Expected return dari sekuritas ke-i

= banyaknya sekurita.

Nilai expected return pada Persamaan 2.10 secara matematis dapat dibentuk

dalam matriks adalah sebagai berikut:

( ) ( ) ( ) ( )

29
 ( )
( )
, -[ ] ( ) (2.11)
( )

dimana:

= proporsi dana investor pada sekuritas ke-i

= matriks bobot tiap sekuritas dalam portofolio

( ) = matriks expected return tiap sekuritas dalam portofolio.

2. Risiko Portofolio

Risiko dalam portofolio dapat diartikan sebagai tingkat kerugian

pembentukan portofolio. Salah satu pengukur risiko yaitu varians (Jogiyanto

Hartono, 2014(b), hal. 314). Jika semakin besar nilai varians, maka risiko yang

ditanggung akan semakin tinggi. Banyaknya sekuritas dalam suatu portofolio

dapat mempengaruhi nilai varians dari risiko. Pembentukan suatu portofolio

diperlukan minimal dua sekuritas. Varians dengan dua sekuritas adalah sebagai

berikut (Jogiyanto Hartono, 2014(b), hal. 314).

( )

, ( )-

,( ) ( )-

,( ) ( ) ( )-
,( ) ( ) ( )-

[ ( ( )) ( ( ))]

0 ( ( )) ( ( ))( ( ))

( ( ))1

30
 .( ( )) / .( ( ))(

( ))/ ( ( ))

Selanjutnya varians dengan n sekuritas dapat dinyatakan sebagai berikut:

, - ,

∑ ∑ ∑ (2.12)

Persamaan 2.10 dapat dinyatakan dalam bentuk matriks yaitu:

, -[ ][ ] ∑ (2.13)

dimana:

∑ = matriks varians kovarians n x n

= matriks bobot tiap sekuritas n x 1.

Risiko portofolio dihitung menggunakan rumus standar deviasi sebagai

berikut:

√ (2.14)

dimana:

= standar deviasi portofolio

Risiko portofolio untuk sampel dinyatakan sebagai berikut:

√̂ ̂ (2.15)

dimana:

S = matriks varians kovarians sampel n x n

31
 ̂ = matriks bobot sampel tiap sekuritas n x 1.

J. Saham

Saham adalah surat berharga yang menunjukkan kepemilikan perusahaan

sehingga pemegang saham memiliki hak klaim atas dividen atau distribusi lain

yang dilakukan perusahaan kepada pemegang saham lainnya. Menurut Husnan

Suad (2005), “Saham merupakan secarik kertas yang menunjukkan hak pemodal

(pihak yang memiliki kertas tersebut) untuk memperoleh bagian dari prospek atau

kekayaan organisasi yang menerbitkan sekuritas tersebut dan berbagai kondisi

yang memungkinkan pemodal tersebut menjalankan haknya”. Saham merupakan

salah satu di antara beberapa alternatif yang dapat dipilih untuk berinvestasi.

1. Jakarta Islamic Index (JII)

Jakarta Islamic Index (JII) merupakan salah satu indeks saham yang ada di

Indonesia yang menghitung indeks harga rata-rata saham untuk setiap sekuritas

yang memenuhi kriteria syariah.

Pembentukan JII tidak lepas dari kerja sama antara Pasar Modal Indonesia

(PT Bursa Efek Jakarta) dengan PT Danareksa Investment Management (PT

DIM). JII dikembangkan sejak tanggal 3 Juli 2000 yang bertujuan untuk

meningkatkan kepercayaan investor melakukan investasi pada saham berbasis

syariah di bursa efek. JII menjadi tolak ukur kinerja (benchmark) dalam memilih

portofolio saham yang sesuai.

32
K. Capital Assets Pricing Model

Capital Assets Pricing Model (CAPM) pertama kali diperkenalkan secara

terpisah oleh Sharpe (1964), Lintner (1965) dan Mossin pada tahun 1969.

Asumsi-asumsi yang dibangun dalam model CAPM adalah sebagai berikut

(Jogiyanto Hartono, 2014(b), hal. 556):

1. Semua investor mempunyai satu periode waktu yang sama.

2. Semua investor melakukan pengambilan keputusan investasi berdasarkan

pertimbangan antara nilai expected return dan devisiasi standar return dari

portofolionya.

3. Semua investor memiliki harapan yang sama terhadap expected return dan

varians kovarians return sekuritas-sekuritas portofolionya.

4. Semua investor dapat meminjamkan atau meminjam sejumlah dana dengan

jumlah yang tidak terbatas pada tingkat suku bunga bebas risiko.

5. Penjualan pendek (short sale) diijinkan.

6. Tidak ada biaya transaksi.

7. Tidak terjadi inflasi.

8. Tidak ada pajak pendapatan pribadi.

9. Investor adalah penerima bunga.

10. Pasar modal dalam keadaan ekulibrium.

Jika semua asumsi tersebut dipenuhi, maka akan terbentuk kondisi pasar

yang ekuilibrium. Hubungan expected return dan risiko dalam keadaan

ekuilibrium pasar dapat digambarkan pada Gambar 2.2.

33
 𝜎𝑀 𝜎𝑝

Gambar 2. 2 Capital Market Line

Slope dalam garis pasar modal disimbolkan  merupakan harga pasar dari

risiko untuk portofolio yang dinyatakan dengan rumus sebagai berikut:

E RM   r f
 .
M (2.16)

Perubahan  yang semakin kecil mengakibatkan risiko portofolio semakin

besar dan sebaliknya. Garis pasar modal menunjukan semua kemungkinan

kombinasi portofolio efisien yang terdiri dari sekuritas-sekuritas berisiko dan

sekuritas bebas risiko (Jogiyanto Hartono, 2014(b)). Garis pasar modal terbentuk

sepanjang titik expected return sekuritas bebas risiko r 

f
sampai titik M.

Expected return sekuritas bebas risiko didekati dengan tingkat return suku bunga

bank sentral, di Indonesia umumnya diambil dari tingkat return suku bunga bank

Indonesia. Expected return dalam portofolio CAPM berdasarkan Gambar 2.2

dapat dirumuskan dengan

E RM   r f
E R p   r f   p.
M (2.17)

34
keterangan:

E R p  = expected return portofolio

rf = return sekuritas bebas risiko

E RM  = expected return portofolio pasar

M = standar deviasi dari return portofolio pasar

p = standar deviasi daru return portofolio.

Kontribusi masing-masing sekuritas terhadap risiko portofolio pasar

tergantung dari besarnya kovarians return sekuritas dengan portofolio pasar.

Mensubstitusikan kontribusi risiko sekuritas terhadap risiko pasar untuk sekuritas

 i ,M
ke-i yaitu pada Persamaan (2.14) dan diperoleh:
M

E RM   r f  i , M
E ri   r f  .
M M

E R M   r f
 rf  . i , M
M2

 r f   i E R M   r f  (2.18)

 i,M covRi , RM 
dengan  i   sebagai pengukur tingkat risiko dari suatu
M2 varRM 

sekuritas terhadap risiko pasar dan E ri  sebagai expected return CAPM masing-

masing sekuritas. Expected return CAPM untuk suatu sampel dapat dinyatakan

dengan persamaan berikut.


E ri   r f   i E RM   r f .  (2.19)

35
 Indeks Harga Saham Gabungan (IHSG) merupakan penggambaran secara

keseluruhan keadaan harga-harga saham. Pasar dalam model ini yaitu indeks

harga saham gabungan (IHSG) disebut juga Jakarta Composite Index (JCI) atau

JSX Composite yang merupakan salah satu indeks pasar saham yang digunakan

oleh Bursa Efek Indonesia (BEI).

L. Model Black-Litterman

Dasar untuk pembentukan rumus umum model Black-Litterman adalah teori

bayes. Pendekatan bayes digunakan untuk menggabungkan nilai expected return

dan equilibrium return yang diamati oleh pasar dengan pandangan investor yang

subjektif. Berikut merupakan proses kombinasi dua sumber informasi

menggunakan pendekatan bayes digambarkan pada Gambar 2.3.

Gambar 2. 3 Proses kombinasi dua sumber informasi menggunakan pendekatan

bayes (Satchell & Scowcroft, 2000)

36
 Gambar 2.3 dapat dijelaskan bahwa Black dan Litterman mengansumsikan

bahwa expected return E(r) berdistribusi normal dengan mean dan varians 

yaitu E (r ) |  ~ N ( ,) dan model expected return terbentuk dari dua jenis

informasi yang berdistribusi normal. Dua informasi tersebut adalah return

ekuilibrium yang berasal dari CAPM dan pandangan investor. Black dan

Litterman mengungkapkan pandangan dan return ekuilibrium ke dalam distribusi

probabilitas. Pada Gambar 2.3 E(r) merupakan informasi prior yang menyatakan

views investor dan ( | E (r )) merupakan informasi sampel dari data ekuilibrium

return, yang diketahui dari perkiraan yang dimiliki investor. Pada pembentukan

model Black Litterman digunakan pendekatan bayes untuk menggabungkan

return ekuilibrium CAPM sebagai informasi sampel dengan informasi prior dari

pandangan investor, untuk membentuk distribusi posterior baru dari return.

Views Investor dapat berupa pandangan pasti maupun relatif (Black &

Litterman, 1992) yaitu:

1. Pandangan pasti (absolute view)

Ketika seorang investor memberikan prediksinya tentang dua buah saham,

maka investor tersebut akan yakin dengan nominal return yang akan

diberikan masing-masing saham tersebut sebesar x%. Contoh: “Saya

memprediksi sekuritas B akan memberikan return sebesar x%”

2. Pandangan relatif (relative view)

Ketika seorang investor memberikan prediksinya tentang dua buah saham,

maka investor tersebut akan melakukan perbandingan antara return yang

37
 akan diberikan kedua saham tersebut. Contoh: “Saya memprediksi bahwa

return yang diberikan sekuritas A akan melampaui return yang diberikan

sekuritas C sebesar y%”.

Contoh 2.8.

Suatu portofolio terbentuk dari 4 sekuritas, yaitu sekuritas A, B, C dan D. Investor

dapat menyatakan tinjauannya (feeling) terhadap keempat saham tersebut maupun

hanya pada beberapa saham yang menjadi perhatian investor. Pada contoh ini,

investor hanya menyatakan keempat sekuritas tersebut dalam 4 tinjauan sebagai

berikut:

Tinjauan 1: “Saya yakin sekuritas A akan memberikan return 1,5%.

Tinjauan 2: “Saya yakin sekuritas B akan memberikan return 2%”.

Tinjauan 3: “Saya yakin sekuritas C akan memberikan return 1%”.

Tinjauan 4: “Saya yakin sekuritas D akan memberikan return 1%”.

Jika E (r ) adalah estimasi return investor dengan 4 sekuritas, yaitu A , B , C

dan D, maka keempat tinjauan investor tersebut dapat dinyatakan dengan:

( )

( )

( )

( )

Matriks tinjauan dapat disusun dengan:

( )
( )
[ ] ( ) [ ] [ ]
( )
( )

38
 Matriks P adalah matriks tinjauan dari return dengan tiap baris matriks

menyatakan satu tinjauan pada suatu portofolio. Jika investor memiliki tinjauan

yang pasti maka jumlah bobot saham dalam tinjauan akan bernilai satu.

Sedangkan jika investor memiliki tinjauan yang relatif maka jumlah bobot saham

dalam tinjauan akan bernilai nol.

Aturan Bayes menyatakan bahwa distribusi probabilitas dari suatu kejadian

B terjadi apabila kejadian A diketahui, maka

Pr( A | B) Pr(B)
Pr(B | A)  . (2.20)
Pr( A)

Aturan Bayes di atas lebih sering diungkapkan dalam bentuk berikut:

Pr(B | A) Pr( A | B) Pr(B) . (2.21)

dengan notasi  menyatakan “proporsional terhadap”

Pr(B | A) : probabilitas bersyarat A, bila B diketahui, disebut juga dengan

distribusi posterior.

Pr( A | B) : probabilitas bersyarat B, bila A diketahui, disebut juga dengan

distribusi bersyarat.

Pr(B) : probabilitas B, disebut juga informasi prior.

Pr(A) : probabilitas A, disebut juga normalisasi konstan.

Untuk membentuk model Black-Litterman dibutuhkan dua jenis informasi

yaitu expected return equilibrium CAPM dan views investor. Kedua informasi

tersebut kemudian dikombinasikan dengan menggunakan aturan Bayes, dengan

mengganti kejadian A adalah equilibrium return CAPM dan kejadian B adalah

expected return, menggunakan persamaan bayes dapat diperoleh

39
 Pr( | E (r )) Pr(E (r ))
Pr(E (r ) |  )  (2.22)
Pr( )

dengan

r = vektor excess return ukuran n x 1

E(r) = vektor expected return investor ukuran n x 1

 = equilibrium return CAPM

Diasumikan bahwa keyakinan prior ( ( )) dinyatakan sebagai P ( ), yang

mempunyai bentuk kendala linear dari vektor expected return ( ) dan ditulis

dengan matriks P berukuran sehingga

( ) (2.23)

Notasi adalah vektor error yang menandakan adanya views yang

masih belum pasti serta diasumsikan berdistribusi normal dengan meannya nol

dan variasinya Ω atau dapat ditulis ( ) dengan Ω adalah matriks diagonal

kovarians dari views. He&Litterman (1999) merumuskan kovarians dari views

adalah sebagai berikut:

( ∑) . (2. 24)

Skalar  merupakan kuantitas yang diketahui oleh manajer investasi untuk

mengukur skala matriks kovarians historis () . Kebanyakan peneliti

menggunakan nilai yang berbeda. Satchell & Scowcroft (2000) menentukan

nilai sama dengan 1, He & Litterman (1999) menggunakan nilai yaitu 0,025.

Nilai tergantung dari tingkat keyakinan investor terhadap views, sehingga nilai

untuk akan berkisar antara 0 sampai 1.

P E (r ) ~ N (q, ) (2.25)

40
 Fungsi densitas dari data equilibrium return dengan syarat informasi prior,

diasumsikan sebagai

 | E (r ) ~ N ( E (r ),) (2.26)

Dapat diperhatikan bahwa ( ) ( ), artinya terdapat asumsi bahwa

mean equilibrium return sama dengan mean return pasar yang dapat diperoleh

melalui CAPM. Ketika informasi prior yang dimiliki investor memiliki tingkat

views yang tidak pasti, hal ini diindikasikan dengan nilai matriks kovarians views

( ) adalah bukan nol.

Teorema 2.3 (Salomons, 2007, hal. 46). Jika ( ) ( ) dan

| ( ) ( ( ) ∑) maka densitas posterior ( ( )| ) berdistribusi
multivariat normal dengan mean ( ) ,( ∑) - [( ∑)
] dan variansnya adalah ,( ∑) - .

Bukti:

Pertama, PE (r ) | E (r ) adalah distribusi normal dengan rata-rata dan simpangan

baku  . Maka, PE (r ) | E (r ) ~ N (q, ) .

Kedua, Expected return E (r ) adalah variabel random, yang berdistribusi normal

dengan mean  dan variansi  . Maka, E (r ) ~ N ( ,) .

Diketahui bahwa fungsi densitas probabilitas dari PE (r ) | E (r ) adalah

distribusi multivariat normal dengan PE (r ) | E (r ) ~ N (q, ) :

( ( )| ( ) 0 ( ( ) ) ( ( ) )1 (2.27)
√( ) ( )

Pada asumsi kedua dinyatakan bahwa fungsi densitas probabilitas dari E (r )

adalah distribusi multivariat normal dengan E (r ) ~ N ( ,) :

41
 ( | ( ) ) ( ∑)
0 ( ( )) ( ∑) ( ( ))1 (2.28)
√(

Teorema Bayes dalam konteks ini dapat dinyatakan sebagai:

Pr( π | E(r) ) Pr( E(r ))

Pr( E(r) | π )  (2.29)
Pr( π )

atau dapat dinyatakan sesuai dengan rumus pada persamaan (2.21) yaitu:

Pr( E(r) | π ) ( | ( )) ( ( ))

Fungsi probabilitas pada Persamaan (2.27) dan Persamaan (2.28)

disubstitusikan pada Persamaan (2.21) sehingga diperoleh:

( ( )| ( ) 0 ( ( ) ) ( ( )
√( ) ( )

)1 0 ( ( )) ( ∑) ( ( ))1
√( ) ( ∑)

Dengan menghilangkan semua konstanta dan yang tersisa adalah

( ( )| ) 0 ( ( )) ( ∑) ( ( )) ( ( )

) ( ( ) )1

( ( )| ) 0 1

sehingga diperoleh densitas posterior yang sebanding:

( ( )) ( ) ( ( )) ( ( ) ) ( ( ) )

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

( ( )) ( ) ( ) ( ( ))

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

42
 ( ) ,( ) - ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ,( ) - ( ) ,( ) - ( )

( )

untuk,

( ) ,

( ) ,

( ) .

Menggunakan notasi di atas, maka dapat ditulis kembali menjadi:

( ) ( ) ( )

( ) ( ) ( )

( ( ( ) ) ( ( ) )

Dengan demikian akan menjadi konstanta dan selanjutnya

( ( ( ) ) ( ( ) )

( ( ( ) ) ( ( ) )

( ( ) ) ( ( ) )

( ( ) ) ( ( ) )

Sehingga diperoleh:

( ( )| ) 0 ( ( ) ) ( ( ) )1

Dengan E (r ) | PE (r ) adalah mean posterior yaitu

,( ) - ,( ) -

variansinya,yaitu

,( ) - .

43
 Jadi ( E (r )) atau distribusi return kombinasi yang baru sebagai distribusi

posterior berdistribusi normal.

( ( ) (,( ) - ,( ) - ,( ) - )

Selanjutnya,

[( ) ] [( ) ]

[( ) ] ( ) ( )[( ) ]

[ ∑ ] [ ∑ ]

[ ∑ ] [ ( ∑ ) ∑ ( )]

( ∑ ) ( ∑ ( ))

( ∑ ) ( ∑ *( ∑ )( ∑ ) +( )

( ∑ ) ( ∑ ∑ ∑ )( ∑ ) ( )

,( ∑ ) ( ∑ ∑ )- ∑ ( ∑ ) ( )

∑ ( ∑ ) ( )

Sehingga, expected return Black-Litterman dirumuskan sebagai berikut:

( ) ∑ ( ∑ ) ( ) (2. 30)

dengan,

E (rBL ) = expected return model Black Litterman

 = vektor k x 1 untuk return equilibrium CAPM.

 = skala tingkat keyakinan dalam pandangan/views (range 0-1).

 = matriks varians kovarians return.

 = matriks diagonal kovarians dari views.

P = matriks k x n untuk views yang berkaitan dengan return.

44
 q = vektor k x 1 untuk views return yang diberikan investor.

M. Distribusi Kerugian (Loss Distribution)

Suatu portofolio yang dibentuk dari aset digambarkan dengan vektor

( )

dengan ∑

Return dari aset ke-n dinotasikan dengan , sehingga didapat vektor

random ( ) Return dari suatu portofolio , yang dinotasikan

dengan adalah jumlah yang diboboti dari return aset yang tergabung dalam

portofolio tersebut, yang ditulis sebagai berikut:

Kerugian dari suatu portofolio merupakan negatif dari nilai return

portofolio tersebut. Dari rumus return portofolio di atas, diperoleh fungsi kerugian

berikut:

( ) * +

Distribusi probabilitas dari mempunyai fungsi densitas ( ), yaitu fungsi

densitas distribusi bersama dari return aset yang terdapat di dalam portofolio .

Untuk setiap , kerugian ( ) adalah suatu variabel random yang mempunyai

suatu distribusi yang dipengaruhi oleh distribusi dari Dengan demikian, untuk

suatu probabilitas dari ( ) tidak lebih dari ( ) didefinisikan sebagai

berikut:

( ( ) * | ( ) ( )+

45
 ∫ ( )
( ) ( )

∑ ( )
{ ( ) ( )

dengan :

( ) = suatu nilai kerugian

( ( ) = probabilitas dari ( ) tidak lebih dari ( )

( ) = fungsi kerugian (Loss Function)

= bobot suatu portofolio

= return

( ) = fungsi densitas dari

N. Value at Risk

Value at Risk (VaR) merupakan salah satu bentuk pengukuran risiko yang

cukup populer. VaR didefinisikan sebagai estimasi kerugian maksimum yang

akan didapat selama periode waktu tertentu dalam kondisi pasar normal pada

tingkat konfidensi tertentu (Sarykalin, Serraino, & Uryasev, 2008). VaR memiliki

konsep yang sederhana dan dapat diimplementasikan untuk berbagai metodologi

statistka. Umumnya VaR hanya digunakan untuk mengukur risiko pasar saja,

namun untuk sekarang VaR banyak digunakan untuk pengontrolan dan

manajemen risiko kredit dan risiko operasional.

Secara sederhana VaR dapat diartikan sebagai kerugian yang mungkin

terjadi selama waktu investasi t dengan tingkat kepercayaan ( ). VaR dengan

tingkat kepercayaan ( ), dinyatakan sebagai kuantil ke-α dari distribusi

46
kerugian. VaR dapat ditentukan dari fdp nilai return r. Pada tingkat kepercayaan

( ), akan dicari nilai kemungkinan terburuk , sehingga peluang munculnya

nilai return melebihi adalah ( ),

( ) ∫ ( )

Peluang munculnya suatu nilai return kurang dari sama dengan , ( )

adalah .

∫ ( ) ( )

Walaupun VaR merupakan ukuran risiko yang cukup populer dan banyak

digunakan, namun VaR memiliki kelemahan pada sifat non-subadditive dan non-

convex , jika distribusi dari return saham-saham yang berada dalam portofolio

tidak normal atau tidak lognormal (Rockafellar & Uryasev, 2000). Sifat non-

subadditive menyebabkan VaR pada suatu portofolio dengan dua saham lebih

besar dari pada jumlah masing-masing VaR dari dua saham tersebut. Sifat non-

convex dari VaR menyebabkan sulit digunakan untuk optimalisasi portofolio.

O. Ukuran Risiko Koheren

Artzner et al. (1999) mendefinisikan bahwa suatu ukuran risiko 𝜌

dikatakan koheren jika dan hanya jika memenuhi:

1. Sub-additivity

𝜌( + ) ≤𝜌( ) +𝜌( ) untuk semua risiko X dan Y.

2. Positive Homogeneity

47
 Untuk suatu risiko X dan konstanta 𝜆 ≥ 0, maka 𝜌(𝜆 ) =𝜆𝜌 ( ) .

3. Translation Invariance

Untuk suatu risiko X dan konstanta a, maka 𝜌( + ) = 𝜌( ) +

4. Monotonicity

Untuk dan adalah risiko dimana ≤ , maka 𝜌( ) ≤ 𝜌( ).

P. Package Rglpk pada Software R Studio

Package Rglpk dalam software R Studio adalah suatu package yang

digunakan untuk menyelesaikan suatu persamaan linear. Fungsi dari package

tersebut adalah:

Rglpk_solve_LP(obj, mat, dir, rhs, types = NULL, max = NULL, bounds

= NULL, verbose = FALSE)

keterangan:

Obj : vektor dengan koefisien fungsi objektif

Mat : vektor dengan koefisien fungsi kendala

Dir : vektor karakter dengan direction (arah) dari kendala. Tiap elemennya

harus berisi salah satu dari “<”,,“<=”,“>”,“>=”, atau “==”.

Types : vektor yang menunjukkan tipe dari variabel objektif. Types dapat

berupa “B” untuk biner, “C” untuk kontinu, atau “I” untuk integer.

Max : logika yang menunjukkan arah dari optimisasi. TRUE berarti

memaksimalkan fungsi objektif, sedangkan FALSE berarti meminimalkan.

Verbase : logika untuk mengaktifkan atau menonaktifkan output tambahan

dari penyelesaian.

48