Oleh : Yan Aditya Pradana, S.Pd.,M.Si.

Ilmu Aktuaria merupakan disiplin ilmu yang menekankan pada pengajaran dan penelitian di bidang matematika, statistik, ekonomi, dan keuangan. Tujuannya adalah mengembangkan kemampuan analisis risiko dan manajemen risiko dalam berbagai konteks keuangan, asuransi, dan investasi.

Fokus utama dari ilmu aktuaria adalah melakukan analisis risiko secara kuantitatif dengan memanfaatkan ilmu matematika, statistika, dan ekonomi pada berbagai kegiatan keuangan. Seperti saham, investasi, portofolio, asuransi, dana pensiun, dan bisnis lainnya. Dalam konteks analisis risiko di Ilmu Aktuaria, terdapat beberapa aspek penting yang meliputi identifikasi risiko, pengukuran risiko, dan evaluasi risiko. Salah satu contoh dari analisis risiko adalah analisis risiko volatilitas harga saham. Volatilitas harga saham adalah ukuran dari tingkat fluktuasi atau perubahan harga saham dari waktu ke waktu dalam suatu periode tertentu.

Volatilitas menggambarkan sejauh mana harga saham naik dan turun dalam rentang waktu tersebut. Apabila harga saham cenderung berfluktuasi secara signifikan dalam periode waktu singkat, maka volatilitasnya tinggi. Sebaliknya, jika harga saham cenderung stabil dan perubahan harganya tidak signifikan, maka volatilitasnya rendah.

Langkah pertama dari analisis risiko volatilitas harga saham adalah mengidentifikasi saham-saham yang akan diukur risikonya. Selanjutnya, data saham yang telah ditentukan diambil data setnya, yang kemudian digunakan untuk menghitung nilai return. Nilai return diperoleh dari selisih harga saham antara hari ini dan hari berikutnya, dibagi dengan harga saham pada hari ini.

Volatilitas harga saham merupakan risiko yang perlu dihadapi dalam industri keuangan, terutama saat melakukan transaksi jual beli saham. Namun, perlu diingat bahwa volatilitas harga saham juga dapat menjadi peluang jika dimanfaatkan dengan baik. Selanjutnya, dalam langkah pengukuran risiko volatilitas harga saham, digunakan sebuah algoritma yang disebut dengan machine learning.

Machine learning adalah salah satu cabang dari kecerdasan buatan (artificial intelligence) yang berfokus pada pengembangan algoritma dan model statistik yang memungkinkan komputer untuk belajar dari data tanpa harus secara eksplisit diprogram.

Dalam machine learning, algoritma dan model tersebut dirancang untuk mengenali pola dalam data, melakukan analisis, serta membuat prediksi atau keputusan berdasarkan pola-pola yang telah ditemukan.

Contoh dari algoritma machine learning termasuk Multilayer Perceptron, Backpropagation, Extreme Machine Learning, Long Short-Term Memory, dan lain sebagainya.

Prinsip dasar dari machine learning adalah memberikan kemampuan pada sistem komputer untuk “belajar” dari pengalaman (data) dan meningkatkan kinerjanya seiring dengan bertambahnya jumlah data yang dipelajari.

Proses pembelajaran ini berlangsung dengan cara menyesuaikan parameter atau bobot dalam model statistik berdasarkan data yang diberikan, sehingga model tersebut dapat menemukan pola yang berguna dalam data baru yang belum pernah dilihat sebelumnya.

Data Set yang berisi data harga saham suatu perusahaan diinputkan ke algoritma machine learning. Pola dari dataset ini dapat diidentifikasi menggunakan teori deret waktu, di mana deret waktu dapat ditentukan dengan interval waktu tertentu, seperti per jam, per hari, per minggu, atau per tahun. Dalam analisis volatilitas ini, penerapan teknologi machine learning menjadi lebih mudah dan efisien.

Machine learning memungkinkan identifikasi pola dari deret waktu dengan jumlah data yang besar, dan semakin banyak data yang digunakan dalam pelatihan, semakin akurat hasil peramalan yang dihasilkan oleh algoritma machine learning.

Setelah dilakukan pelatihan data, langkah selanjutnya adalah melakukan pengujian data. Data yang digunakan untuk pengujian disebut data uji, yaitu kelompok data yang digunakan untuk menguji kinerja model machine learning setelah model selesai dilatih dengan data latih.

Data uji harus terpisah dari data latih dan tidak digunakan selama proses pelatihan. Tujuan dari pengujian ini adalah untuk mengevaluasi sejauh mana model dapat melakukan prediksi atau klasifikasi yang akurat pada data yang belum pernah dilihat sebelumnya.

Data uji membantu memperkirakan seberapa baik model dapat menggeneralisasi dan menerapkan pola yang telah dipelajari dari data latihan pada data baru yang sebelumnya tidak ada dalam data latihannya.

Pengujian ini memberikan gambaran tentang kinerja model dalam menghadapi situasi dunia nyata yang berbeda dengan data latihan. Penting untuk memisahkan data latihan dan data pengujian agar hasil evaluasi kinerja model tidak menjadi bias dan menyimpang dari kenyataan.

Data latihan digunakan untuk membuat model yang optimal, sedangkan data pengujian digunakan untuk menguji apakah model tersebut dapat memberikan prediksi yang akurat dan dapat diandalkan pada data yang belum pernah dilihat sebelumnya.

Langkah selanjutnya dalam analisis risiko adalah menentukan besaran risiko dari nilai return yang didapatkan setelah melakukan prediksi menggunakan machine learning.

Jika nilai return bernilai tinggi, maka risiko untuk membeli saham semakin tinggi, dalam artian membeli saham pada harga yang tinggi dapat menyebabkan risiko saham menjadi overvalued atau dihargai terlalu tinggi.

Jika harga saham melebihi nilai intrinsiknya, maka ada potensi harga saham akan turun kembali ke tingkat yang lebih wajar, dan investor dapat mengalami kerugian jika harus menjualnya pada harga lebih rendah.

Sebaliknya, jika nilai return rendah, risiko untuk menjual akan semakin tinggi. Jika seorang investor menjual sahamnya pada harga yang lebih rendah dari harga beli, maka dia akan mengalami kerugian atau loss dari transaksi tersebut. Kerugian ini merupakan selisih antara harga jual dan harga beli saham.

Evaluasi dari analisis risiko dilakukan dengan menghitung nilai error dari hasil output prediksi data dibandingkan dengan data real. Semakin kecil nilai error, maka semakin bagus metode machine learning yang dipakai.

Dengan demikian, Ilmu Aktuaria memberikan pengetahuan dan keterampilan yang relevan dalam menganalisis risiko secara mendalam menggunakan alat matematika, statistik, dan ekonomi.

Selain itu, penerapan teknologi seperti machine learning juga menjadi sarana yang efektif dalam mengolah dan memanfaatkan data untuk mengambil keputusan dalam bidang keuangan.

* Kaprodi Ilmu Aktuaria FIFIT UMMAD, Kandidat Doktor Matematika ITS.