Dalam pasar saham, pergerakan harga dan indikator teknikal sangatlah dinamis dan jarang sekali memiliki hubungan linear yang sederhana. Hubungan antara berbagai variabel keuangan—seperti kombinasi antara rasio valuasi, volume perdagangan, volatilitas historis, dan indikator teknikal lainnya—sering kali menciptakan pola penyebaran data yang melengkung atau melingkar.
Jika Anda menggunakan model linear standar untuk mengklasifikasikan keputusan “Beli” atau “Jual”, model tersebut akan gagal karena tidak ada garis lurus (hyperplane) yang dapat memisahkan kedua keputusan tersebut secara akurat di ruang dua dimensi asli.
Di sinilah Kernel Trick bekerja sebagai penyelamat untuk memproses data saham yang kompleks. Berikut adalah penjelasan mendalam mengenai cara kerjanya:
1. Masalah Utama: Keterbatasan Ruang Dimensi Rendah
Bayangkan Anda memetakan saham berdasarkan dua fitur saja: Rasio P/E (Price-to-Earnings) di sumbu X, dan Volatilitas di sumbu Y.
- Saham-saham berkinerja stabil yang layak “Beli” mungkin berkumpul di tengah-tengah (volatilitas sedang dan P/E wajar).
- Sementara itu, saham-saham berspekulasi tinggi (“Jual”) berada di sekeliling luar (volatilitas sangat rendah/mati atau volatilitas ekstrem, dengan P/E terlalu murah/mahal).
Di bidang 2D ini, Anda tidak bisa menarik satu garis lurus untuk memisahkan titik “Beli” (di tengah) dengan titik “Jual” (di luar). Jika Anda memaksanya, model linear Anda akan mengalami underfitting.
2. Solusi Konseptual: Pemetaan ke Dimensi Lebih Tinggi (Feature Mapping)
Untuk mengatasi pola melingkar ini, konsep dasarnya adalah memindahkan data saham tersebut ke ruang dimensi yang lebih tinggi (misalnya dari 2D ke 3D).
Secara matematis, setiap titik koordinat (x1,x2) ditransformasikan menggunakan fungsi pemetaan ϕ. Misalnya, kita menambahkan fitur ketiga yang merupakan kuadrat dari jarak titik ke pusat:
ϕ(x1,x2)=(x1,x2,x12+x22)
Dengan menambahkan dimensi ketiga (tinggi mangkok), data yang tadinya berbentuk lingkaran datar di 2D kini terangkat ke atas membentuk struktur seperti mangkuk paraboloid di ruang 3D. Di ruang 3D ini, titik-titik “Beli” (yang di tengah) akan berada di dasar mangkuk, sedangkan titik-titik “Jual” (yang di luar) akan naik ke bagian atas mangkuk. Sekarang, sebuah bidang datar (hyperplane linear) dapat dengan mudah disisipkan di tengah-tengah untuk memisahkan kedua kategori tersebut dengan margin maksimal.
3. “Sihir” Kernel Trick: Melewati Beban Komputasi
Secara teori, melakukan pemetaan data ke dimensi tinggi (bahkan hingga dimensi tak terbatas pada kernel RBF) terdengar luar biasa. Namun, secara praktik, menghitung koordinat baru untuk ribuan data saham di ruang dimensi tinggi membutuhkan memori dan daya komputasi yang sangat besar (computationally intensive).
Kernel Trick adalah jalan pintas matematis untuk mengatasi masalah ini.
Alih-alih mentransformasikan titik data secara fisik ke dimensi tinggi dan menghitung posisinya satu per satu, fungsi kernel langsung menghitung hasil perkalian titik (inner product) dari data tersebut seolah-olah data tersebut sudah berada di dimensi tinggi.
Secara matematis diwakili sebagai:
K(x,y)=ϕ(x)⋅ϕ(y)
Sihir ini terjadi karena algoritma SVM sebenarnya hanya membutuhkan nilai inner product (kemiripan antar-vektor data) untuk menentukan garis pembatas keputusan (decision boundary), bukan posisi koordinat absolut data di dimensi tinggi. Dengan menghitung langsung fungsi kernel K(x,y) pada ruang asli berdimensi rendah, kita mendapatkan hasil perhitungan yang sama persis dengan perhitungan di dimensi tinggi tanpa pernah benar-benar memindahkan datanya.
Tipe Kernel yang Cocok untuk Data Saham
Pemilihan fungsi kernel menentukan bagaimana model menginterpretasikan kompleksitas data saham Anda:
- Polynomial Kernel: Berguna untuk menangani interaksi antar-fitur dengan derajat tertentu (misalnya, melihat interaksi kuadrat antara Volume Transaksi dan Perubahan Harga).
- Radial Basis Function (RBF) Kernel: Merupakan kernel yang paling populer karena dapat memetakan data ke dimensi tak terhingga. Kernel ini sangat cocok untuk data saham yang sangat acak dan fluktuatif karena dapat menangani wilayah keputusan yang sangat kompleks tanpa perlu pengetahuan awal tentang distribusi datanya.
- Sigmoid Kernel: Berperan mirip dengan fungsi aktivasi pada jaringan saraf tiruan, sangat berguna jika Anda ingin model klasifikasi SVM Anda berperilaku menyerupai arsitektur neural network dasar.
Dengan memanfaatkan Kernel Trick pada SVM, Anda dapat melatih model klasifikasi untuk mengenali pola-pola pasar saham non-linear yang rumit dengan efisiensi komputasi yang tetap terjaga.