Profil hubungan antar variabel #2 dan #3 terakhir kali terdeteksi pada titik waktu ke-15 dan setelah itu menghilang.
Tingkat korelasi antara variabel #2 dan #3 cukup tinggi, hal ini dapat dilihat dari diameter klaster yang mendekati angka 0, dalam hal ini 0.032.
Profil hubungan antar variabel #2 dan #3 terjadi cukup intens, dimana korelasi yang signifikan terdeteksi terjadi sebanyak 12 kali dalam rentang waktu titik ke-4 s/d ke-15.
Hasil ini memeperlihatkan bahwa proses implementasi algoritma telah selesai dilakukan dan dapat dilanjutkan ke proses validasi tahap 1, dimana keabsahan luaran yang dihasilkan oleh algoritma akan diuji.
4.7 Profilisasi Pola Pergerakan Indeks Sektoral BEI
Pasar saham saat ini ditandai oleh adanya saling ketergantungan yang menunjukkan perilaku menular pada periode waktu yang berbeda antara saham yang tercatat dan diperdagangkan di pasar sendiri dan sering juga dipengaruhi oleh kondisi keuangan eksternal. Berkaitan dengan hal ini, adanya interaksi atau co-movement antara kumpulan saham di pasar tertentu telah banyak diteliti dalam beberapa tahun terakhir. Sehubungan dengan hal itu, terjadi peningkatan jumlah studi yang didedikasikan untuk mengatasi dampak keterkaitan tersebut, bersamaan dengan tantangan identifikasi dan pemodelan hubungan.
Namun demikian, sebagian besar penelitian tampaknya tidak menggunakan metodologi apa pun yang memiliki kemampuan untuk dapat menangkap dan memodelkan profil pergerakan yang bersifat dinamis antara kumpulan saham yang diperdagangkan pada sebuah pasar bursa secara bersamaan. Aktualitas ini
50 menjadi dasar mengapa penelitian ini dilakukan, yaitu guna melihat kemungkinan penerapan LTM untuk mengekstrak profil pergerakan tersebut. Selanjutnya, dalam penelitian ini data keuangan indeks sektoral di pasar saham Indonesia digunakan sebagai studi kasus.
Data keuangan yang diamati dalam studi ini merupakan kumpulan indeks time-series dari sembilan indeks sektoral di pasar saham Indonesia yang diambil dari laman Yahoo! Finance (Yahoo Finance, 2017). Masing-masing indeks sektoral ini terdiri dari beberapa saham yang terdaftar yang termasuk dalam kategori serupa. Kesembilan sektor tersebut adalah: 1) sektor pertanian (AGRI); 2) Sektor Industri Dasar (BIND); Sektor konstruksi (CONS); 4) Sektor Keuangan (FINA); 5) Sektor Infrastruktur (INFA); 6) Sektor pertambangan (MING); 7) Sektor Manufaktur (MNFG); 8) Sektor properti (PROP); dan 9) Sektor Perdagangan (TRAD), di mana indeks hariannya yang mencakup 247 hari perdagangan dari bulan Januari 2016 sampai Desember 2016 dianalisa dalam penelitian ini.
Temuan dari penelitian sebelumnya yang mengungkapkan bahwa sekumpulan saham dari sektor yang sama sering bergerak bersamaan dengan cara yang sama menjadi alasan utama penggunaan indeks sektoral dan bukan nilai saham individual sebagai referensi untuk ekstraksi profil pergerakan dalam penelitian ini. Diharapkan metodologi yang dieksploitasi mampu mengungkapkan dan memodelkan profil pergerakan bersama antara indeks sektoral ini. Pengetahuan yang diekstraksi diharapkan dapat memberikan keuntungan bagi analis keuangan atau manajer investasi untuk dapat lebih memahami perilaku pasar bursa Indonesia pada khususnya dan dengan demikian akan dapat membantu mereka dalam merencanakan dan membuat keputusan investasi.
51 Gambar 15. Pergerakan nilai indeks sektoral BEI pada periode Januari 2016 s/d
Desember 2016 yang telah dinormalisasi.
Gambar 15 memperlihatkan pergerakan nilai yang telah dinormalisasi dari kesembilan indeks sektoral dalam periode analisa dimana secara singkat dapat diketahui bahwa keseluruhan indeks sektoral pada umunya memiliki kecenderungan untuk bergerak dengan pola yang serupa. Namun demikian, pengamatan lebih dekat akan mengungkapkan bahwa detil pergerakan beberapa sektor lebih mirip dibandingkan dengan yang lain. Oleh karena itu, penelitian ini bertujuan untuk dapat mengungkap profil koalisi semacam itu dengan memasukkan metode klasterisasi yang bersifat adaptif untuk ekstraksi profil pada data time-series.
52 Selain itu, dalam eksperimen yang dilakukan, kumpulan data yang dianalisis dibagi menjadi dua bagian yang berbeda, yaitu bagian pelatihan yang terdiri dari indeks sektoral tahunan sebanyak 173 titik waktu pertama; dan bagian pengujian yang terdiri dari sisa 74 titik waktu dari keseluruhan data yang berjumlah 247 titik waktu. Analisis yang dilakukan menggunakan proses pengujian bersifat adaptif, yang berarti bahwa pada saat diperoleh tambahan data baru maka profil pergerakan baru berdasarkan data tersebut harus dapat diidentifikasi dan dimodelkan sebelum prediksi dimulai. Pada akhirnya data baru tersebut ditambahkan ke dalam rangkaian data pelatihan sebagai tambahan pengalaman. Percobaan dalam penelitian ini dilakukan dengan membagi kesembilan data nilai indeks sektoral menjadi dua bagian yang berbeda, yaitu data pelatihan dan data pengujian. Data pelatihan digunakan untuk menguji kemampuan LTM guna mengekstrak profil gerakan dan membangun repositori pengetahuan dari kumpulan data time-series yang diamati. Selanjutnya, data pengujian digunakan untuk mengevaluasi potensi algoritma yang digunakan dalam mempelajari pola pergerakan secara bertahap dan kemudian menyesuaikan koleksi pengetahuan dalam repositori berdasarkan kemunculan profil baru. Dalam hal ini, sejumlah 173 titik waktu pertama dari keseluran data yang lengkap didefinisikan sebagai rangkaian pelatihan, sedangkan sisanya digunakan untuk pengujian kemampuan ekstraksi profil pada data yang belum pernah dilihat.
53 Gambar 16. Ekstraksi profil pergerakan dari sembilan indeks sektoral oleh LTM pada 173 titik waktu pertama. Nomor # 1, # 2, # 3, # 4, # 5, # 6, # 7, # 8 dan
# 9 mewakili AGRI, BIND, CONS, FINA, INFA, MING , MNFG, PROP dan TRAD.
Gambar 16 mengungkapkan profil pergerakan yang diekstraksi dari 173 titik waktu pertama pada kesembilan indeks sektoral pasar saham Indonesia yang berhasil diidentifikasi dan dimodelkan oleh algoritma yang digunakan. Pada Gambar 16, masing-masing sektor diwakili oleh nilai numerik yang didefinisikan sebagai berikut: #1: Agriculture (AGRI); #2: Industri Dasar (BIND); #3: Konstruksi (CONS); #4: Keuangan (FINA); #5: Infrastruktur (INFA); #6:
54 Pertambangan (MING); #7: Manufaktur (MNFG); #8: Property (PROP) dan #9: Trading (TRAD). Selanjutnya, Tabel 2 menguraikan ringkasan profil gerakan yang berhasil diidentifikasi selama periode pelatihan untuk kesembilan indeks sektoral.
Lingkaran pada Gambar 16 merepresentasikan profil pergerakan antara seri yang diambil dari kumpulan data yang dianalisis, di mana diameter cluster mewakili nilai ketidaksamaan antara rangkaian pergerakan yang termasuk dalam kelompok atau profil yang identik, sementara posisi label secara relatif mengindikasikan tingkat kesamaan dalam perilaku pergerakan. Misalnya, dari lingkaran yang diplot pada koordinat (1,33) dapat dilihat bahwa seri #3 diposisikan lebih dekat terhadap seri #7 dibandingkan dengan seri #1. Hal ini mengindikasikan bahwa pergerakan indeks sektor Konstruksi lebih mirip dengan pergerakan sektor Manufaktur dan oleh karena itu mereka memiliki tingkat korelasi yang lebih tinggi dibandingkan dengan sektor Konstruksi dengan sektor Pertanian.
Selanjutnya, warna lingkaran menandakan jumlah kejadian profil gerakan tertentu. Warna yang lebih gelap menunjukkan bahwa sejumlah besar kejadian telah diidentifikasi sepanjang proses identifikasi profil. Selain itu, jumlah kejadian yang pasti dari profil tertentu juga diberikan oleh notasi N. Selanjutnya, sumbu x mewakili momen waktu awal ketika profil tertentu muncul, sedangkan sumbu y mewakili saat terakhir ketika profil tertentu dari gerakan dikenali dan diekstraksi.
Gambar 16 dan Tabel 2 juga mengungkapkan bahwa indeks sektor Konstruksi dan Manufaktur saling terkait erat dan mereka cenderung untuk bergerak dengan arah yang serupa dalam interval waktu tertentu. Informasi yang menarik ini dapat ditemukan dengan menganalisis lingkaran-lingkaran yang diplot pada koordinat
55 (34,78), (48,130), (66,97), dan (117,152) pada Gambar 16 dan juga kenyataan sebagaimana diuraikan dalam Tabel 2 di mana kedua sektor selalu termasuk dalam rangkaian profil yang sama selama periode evaluasi. Sehubungan dengan hal ini, diameter dari lingkaran-lingkaran yang ada juga memiliki nilai yang kecil dimana menunjukkan bahwa korelasi antara kedua sektor tersebut sangat tinggi. Temuan ini menunjukkan bahwa pada periode yang dievaluasi, sektor Konstruksi dan Manufaktur cenderung untuk bergerak dengan cara yang sama secar berkelanjutan.
Tabel 2. Ringkasan profil ekstraksi pergerakan dari indeks sektor pasar modal Indonesia selama periode pelatihan (Januari 2016 sampai September 2016)
Selanjutnya, Gambar 16 dan juga Tabel 2 mengungkapkan bahwa meskipun struktur profil gerakan berubah dari waktu ke waktu, indeks sektor Konstruksi
56 dan Manufaktur cenderung untuk memiliki pola pergerakan yang sama secara terus-menerus. Temuan ini menandakan adanya hubungan yang langgeng, dalam hal co-movement, antara kedua sektor. Penemuan ini bisa dijadikan bukti untuk menjelaskan adanya keterhubungan yang kuat antara sektor Konstruksi dan Industri, dimana pada saat sektor Konstruksi bergerak menuju arah yang positif, sektor Manufaktur akan segera mengikuti dan juga sebaliknya. Aktualitas ini menegaskan ikatan alami kedua sektor dimana pekerjaan konstruksi memerlukan produk dari produsen dan akibatnya sektor Manufaktur pasti akan tumbuh saat mereka menerima lebih banyak permintaan dari sektor Konstruksi.
Lebih lanjut, Gambar 16 dan Tabel 2 juga menjadi bukti adanya beberapa episode ketika sektor Pertanian dan sektor Konstruksi bergerak secara terpisah. Gambar 16 dan Tabel 2 juga mengungkapkan bahwa ada sejumlah periode yang signifikan dimana ketika kedua sektor terkait erat dan bergerak bersama dengan tren yang serupa, yaitu pada profil #1, #2, #3, #7, #8 dan #9 sebagaimana dapat dilihat pada Tabel 2. Penemuan lain yang dapat dipahami dari Gambar 16 adalah bahwa pada umumnya kita dapat mengetahui dimana sektor Infrastruktur dan juga sektor Perdagangan memiliki kecenderungan untuk bergerak secara timbal balik dengan sektor lain selama periode evaluasi.
Berdasarkan analisis yang telah dilakukan beberapa kesimpulan sehubungan dengan ekstraksi profil pergerakan dari yang diamati pada kesembilan indeks sektoral dapat dibuat sebagai berikut:
1. Sektor Konstruksi cenderung untuk lebih bergerak dengan cara yang sama dengan sektor Manufaktur dan oleh karena itu dapat dianggap memiliki asosiasi yang lebih penting dibandingkan sektor lainnya;
57 2. Terdapat suatu periode pada awal periode pengamatan ketika sektor Properti bergerak dalam jalur yang sama dengan sektor Perdagangan, yaitu Profil #1 di Tabel 2. Namun demikian, ada juga sejumlah besar episode (menjelang akhir periode pengamatan) ketika kedua seri cenderung maju secara individual, yaitu Profile #6, #7, #8, #9. Selanjutnya, hubungan antara kedua sektor dipulihkan pada periode akhir pengamatan, seperti terlihat pada profil #10. Temuan ini menunjukkan bahwa profil pergerakan bersama antar seri dapat berubah secara dinamis dari waktu ke waktu dan hanya dapat ditangkap dengan metode yang bersifat adaptif;
3. Selama periode observasi, hubungan, dalam hal co-movement, antara sektor Pertanian dan sektor Properti terjadi secara lebih signifikan bila dibandingkan dengan hubungan terhadap sektor lainnya seperti yang terlihat pada profil #4 dalam Tabel 2. Temuan ini menunjukkan bahwa ketiga sektor ini memiliki keterikatan perilaku yang lebih tinggi bila dibandingkan dengan sektor lainnya.
Kesimpulan-kesimpulan di atas sesuai dengan pergerakan dari kesembilan nilai indeks sektoral yang diamati, sebagaimana digambarkan pada Gambar 15, dan oleh karena itu mengkonfirmasi kemampuan algoritma yang digunakan untuk secara dinamis mengenali, memodelkan dan memperbaharui profil pergerakan dari kumpulan data time-series yang diamati.
58 Gambar 17. Plot perkiraan lintasan sektor Pertanian (AGRI), Industri Dasar
(BIND), Konstruksi (CONS) dan Keuangan (FINA) di Pasar Bursa Efek Indonesia untuk 173 titik waktu pertama pada periode Januari 2016 sampai
dengan Desember 2016.
Guna membuktikan bahwa profil gerakan yang diekstraksi sebenarnya merupakan perilaku tersembunyi dari sistem yang diamati dan juga untuk memastikan bahwa mereka dapat dimanfaatkan sebagai pengetahuan dalam memprediksi perilaku sistem yang diamati, kami memanfaatkan repositori pengetahuan yang dibangun untuk merekonstruksi pergerakan nilai indeks sektoral dari kesembilan sektor yang diamati pada periode pelatihan.
59 Gambar 18. Plot perkiraan lintasan sektor Infrastruktur (INFA), Pertambangan (MING), Manufaktur (MNFG), Properti (PROP) dan Perdagangan (TRAD) di Bursa Efek Indonesia untuk 173 titik waktu pertama pada periode Januari 2016
sampai dengan Desember 2016.
Gambar 17 dan Gambar 18 memperlihatkan lintasan yang direkonstruksi yang dihitung dengan metode yang digunakan berdasarkan profil pergerakan yang telah diekstraksi. Terlihat jelas bahwa lintasan yang direkonstruksi oleh algoritma yang digunakan memiliki tingkat kesesuaian yang tinggi saat dibandingkan terhadap lintasan yang sebenarnya. Hasil ini membuktikan bahwa kemampuan untuk dapat mengekstraksi profil pergerakan dari kumpulan data
60 time-series dapat membantu dalam memahami sifat sistem dinamis yang diamati dan selanjutnya digunakan untuk merekonstruksi ataupun meramalkan perilakunya di masa mendatang.
Gambar 19. Plot perkiraan lintasan sektor Pertanian (AGRI), Industri Dasar (BIND), Konstruksi (CONS) dan Keuangan (FINA) di Bursa Efek Indonesia untuk 74 titik
waktu akhir pada periode Januari 2016 sampai dengan Desember 2016.