Dalam perjalanan mempelajari kecerdasan buatan (Artificial Intelligence) untuk analisis finansial, kita sering kali menemui algoritma yang memiliki nama cukup membingungkan. Salah satu contoh paling klasik adalah Logistic Regression (Regresi Logistik).
Banyak pemula terjebak dan mengira bahwa algoritma ini digunakan untuk memprediksi angka kontinu (seperti harga saham besok) karena mengandung kata “regresi”. Namun, kenyataannya sangat berbeda. Meskipun mengandung kata “regresi”, algoritma ini sebenarnya digunakan untuk menyelesaikan tugas-tugas klasifikasi biner atau dua kelas.
Jika blog Anda ingin membahas tuntas pemanfaatan AI di dunia saham, artikel mengenai Logistic Regression ini adalah pondasi wajib yang belum pernah kita kupas secara mendalam sebelumnya. Mari kita bahas bagaimana algoritma ini memprediksi kategori diskret (seperti “Beli” atau “Jual”) menggunakan pendekatan peluang atau probabilitas!
Mengapa Disebut Klasifikasi jika Namanya “Regresi”?
Di dalam dunia pembelajaran mesin (machine learning), tugas prediksi dibagi menjadi dua kategori utama:
- Regresi: Memprediksi nilai numerik kontinu (seperti harga saham, suhu udara, atau berat badan).
- Klasifikasi: Memprediksi label atau kategori diskret (seperti “BELI” vs “JUAL”, atau email “Spam” vs “Bukan Spam”).
Logistic Regression sebenarnya melakukan proses “regresi” di latar belakang dengan menghitung hubungan linear antara variabel input. Namun, alih-alih mengeluarkan angka mentah hasil regresi tersebut sebagai output akhir, Logistic Regression memetakan angka kontinu tersebut menjadi nilai peluang (probabilitas) untuk menentukan kelas kategori diskret. Inilah alasan mengapa ia digolongkan sebagai algoritma klasifikasi supervised.
Jantung dari Logistic Regression: Fungsi Sigmoid (S-Curve)
Bagaimana cara Regresi Logistik mengubah angka kontinu tak terbatas menjadi nilai probabilitas yang rapi antara 0 dan 1? Jawabannya ada pada Fungsi Sigmoid.
Fungsi Sigmoid adalah fungsi matematika berbentuk kurva “S” yang memiliki kemampuan unik untuk memampatkan input angka berapa pun—baik sangat besar maupun sangat kecil—ke dalam rentang nilai antara 0 dan 1. Secara matematis, rumus fungsi Sigmoid ini dinyatakan sebagai:
f(x)=1+e−x1​
- Output Fungsi Sigmoid: Hasil dari fungsi ini adalah nilai probabilitas yang menunjukkan seberapa besar peluang suatu data tertentu untuk masuk ke dalam kategori target (biasanya disebut Kelas 1).
- Contoh Intuitif: Jika kita ingin memprediksi apakah suatu saham layak dibeli berdasarkan rasio keuangannya, input data tersebut akan diproses dan dimasukkan ke dalam fungsi Sigmoid. Output yang keluar berupa angka seperti
0.85. Ini berarti ada probabilitas atau peluang sebesar 85% bahwa saham tersebut masuk ke dalam kategori “BELI” (Kelas 1).
Pengambilan Keputusan Melalui Threshold (Nilai Batas)
Setelah mendapatkan nilai probabilitas dari fungsi Sigmoid, bagaimana model AI mengambil keputusan akhir apakah harus memberikan rekomendasi “Beli” atau “Jual”? Di sinilah kita menggunakan konsep Threshold (Nilai Batas).
Secara default, nilai batas yang ditentukan dalam algoritma Logistic Regression adalah 0.5. Batas inilah yang membagi hasil prediksi menjadi dua kelas:
- Jika Probabilitas ≥0.5: Data akan diklasifikasikan sebagai Kelas 1 (misalnya rekomendasi BELI atau email Spam).
- Jika Probabilitas <0.5: Data akan diklasifikasikan sebagai Kelas 0 (misalnya rekomendasi JUAL atau email Bukan Spam).
Fleksibilitas Threshold: Di dunia nyata, nilai threshold 0.5 ini tidak bersifat kaku. Sebagai contoh, jika Anda membangun model analisis saham yang sangat konservatif dan ingin meminimalkan risiko salah beli, Anda bisa menaikkan nilai threshold menjadi 0.7 atau 0.8. Dengan begitu, model hanya akan mengeluarkan rekomendasi “BELI” jika tingkat keyakinan probabilitasnya benar-benar tinggi di atas 70% atau 80%.
Keunggulan Logistic Regression untuk Analisis Saham
Sebagai pembuat konten blog, penting bagi Anda untuk menjelaskan kepada pembaca mengapa algoritma klasik ini tetap relevan dan banyak digunakan di industri keuangan modern:
- Sederhana dan Cepat: Algoritmanya tidak membutuhkan daya komputasi yang besar, sehingga sangat cepat untuk melatih data historis saham dalam jumlah banyak.
- Output Berupa Probabilitas: Sangat berguna bagi investor karena model tidak hanya memberikan jawaban hitam-putih (“Beli” atau “Jual”), tetapi juga menyertainya dengan skor keyakinan (misalnya: “Peluang naik sebesar 80%”). Ini memberikan ruang bagi manajemen risiko yang lebih baik.
- Kemudahan Interpretasi: Kita bisa dengan mudah melihat fitur atau indikator keuangan mana yang memberikan kontribusi positif atau negatif terbesar terhadap keputusan akhir model.
Kesimpulan
Logistic Regression adalah gerbang pertama yang sempurna bagi siapa saja yang ingin memahami bagaimana matematika dan statistik diubah menjadi keputusan otomatis oleh AI. Dengan memanfaatkan fungsi Sigmoid untuk mengubah prediksi angka kontinu menjadi probabilitas biner, model ini menawarkan kesederhanaan sekaligus akurasi yang luar biasa untuk memulai analisis prediktif arah pergerakan pasar saham.