Memprediksi Harga Saham dengan Machine Learning, Apakah Bisa? (Bagian 1)

Machine learning mungkin merupakan subjek yang sudah tidak asing lagi bagi banyak orang. Pada masa ini, hampir seluruh teknologi, khususnya yang berkaitan dengan platform-platform seperti media sosial, games, mesin pencari, dan lain-lain, pasti menggunakan machine learning. Faktanya, kegunaan machine learning tidak terbatas pada platform-platform tersebut. Salah satu bidang lain yang bisa mengaplikasikan machine learning adalah saham.

Seperti yang kita tahu, saham memiliki harga yang setiap harinya terus bergerak naik-turun secara dinamis. Faktor penyebabnya dapat bervariasi, mulai dari aktivitas pasar saham itu sendiri (teknikal) sampai faktor internal dan eksternal perusahaan yang terkadang dapat mempengaruhi harga secara tidak terduga (fundamental). Oleh karena itu, memodelkan/memprediksi tren harga saham menjadi hal yang cukup penting untuk dilakukan. Selain untuk mengetahui pergerakan harga saham (baik jangka pendek maupun panjang) untuk kepentingan analisis, prediksi juga dapat membantu para trader atau investor mengetahui waktu yang tepat untuk menjual/membeli saham. Sejatinya, prediksi relatif sulit dilakukan secara analitik karena faktor-faktor yang disebutkan di atas. Untuk memudahkan, banyak orang yang memanfaatkan machine learning (walaupun pada dasarnya, tren jangka panjang harga saham sangat bervariasi dan umumnya tetap sulit diprediksi dengan akurat bahkan dengan machine learning sekalipun). Lalu pertanyaannya, bagaimana sebenarnya peran machine learning dalam memprediksi harga saham?

Artificial Neural Network

Salah satu metode machine learning yang banyak digunakan untuk berbagai keperluan (termasuk prediksi harga saham) adalah artificial neural network (ANN). Dikutip dari IBM, ANN adalah algoritma pemecah masalah yang prinsipnya mengikuti perilaku otak manusia dalam hal pengiriman sinyal dari satu neuron ke neuron lain. Prinsip ini diimplementasikan dan dioptimasi dalam ANN sebagai kemampuan algoritma tersebut dalam mengenali suatu pola/tren dan menggunakannya untuk memecahkan masalah yang diberikan. Untuk melakukannya, ANN bergantung pada apa yang disebut training data. Data ini digunakan oleh ANN sebagai "media" belajar untuk meningkatkan performanya. Salah satu contoh paling mudah mengenai aplikasi ANN adalah image recognition: ANN diberikan suatu gambar, semisal burung, dan diberi tugas untuk mengidentifikasi hewan yang ada di gambar tersebut. Tentunya, sebelum tugas tersebut diberikan, ANN perlu "dilatih" terlebih dahulu dengan berbagai gambar hewan yang berbeda (misalkan anjing, kucing, dan burung) beserta informasi tentang hewan yang ada di gambar tersebut. Dengan ini, nantinya ANN akan mengerti gambar seperti apa yang menunjukkan anjing, kucing, ataupun burung. Semakin banyak gambar yang diberikan sebagai latihan, maka performa/akurasi ANN-pun akan semakin tinggi. Pembaca yang berminat harap merujuk Walczak & Cerpa (2003) (review) dan Simon (2009) (exhaustive) untuk penjelasan lebih detail mengenai prinsip dan cara kerja ANN.

Pada dasarnya, menurut Hiransha et al. (2018) dan Fadli (2021), ANN memiliki beberapa kelebihan dari cabang machine learning lain ataupun model linier untuk time-series forecasting seperti ARIMA. Salah duanya adalah: (1) ANN mampu memecahkan permasalahan baik linier maupun non-linier dan (2) ANN mampu mengidentifikasi permasalahan (test sample) baru walaupun test sample tersebut tidak digunakan dalam pelatihannya. Karakteristik ini membuat ANN sangat cocok untuk digunakan dalam memprediksi tren harga saham. Agar permasalahan ini dapat dimengerti lebih lanjut, mari lakukan studi kasus sederhana di bagian 2.