Mengenal Clustering

Sebagian besar contoh machine learning yang beredar adalah soal dengan kunci jawaban. Ada data harga rumah beserta harga jualnya yang sebenarnya, ada foto beserta keterangan 'kucing' atau 'anjing'. Model belajar dengan menebak, dibandingkan dengan jawaban benar, lalu memperbaiki tebakannya. Cara kerja itu disebut supervised learning — ada yang mengawasi.

Clustering berdiri di sisi sebaliknya. Tidak ada kunci jawaban. Yang ada hanya empat puluh lima emiten dengan lima angka masing-masing, dan satu pertanyaan: mana yang berperilaku serupa? Tidak seorang pun pernah menempelkan label 'agresif' atau 'defensif' pada BBCA. Label itu justru hasil akhir yang ingin ditemukan, bukan bahan yang tersedia di awal.

Konsekuensi keduanya lebih halus: hasil pengelompokan tidak pernah tunggal benar. Mengubah fitur yang dipakai, satuan pengukurannya, atau jumlah kelompok yang diminta akan menghasilkan peta yang berbeda — dan semuanya sama-sama sah secara matematis. Itulah sebabnya bab-bab berikutnya menghabiskan begitu banyak halaman untuk membenarkan pilihan, bukan cuma menjalankan algoritma.

Komputer tidak punya intuisi tentang kemiripan. Ia perlu definisi yang bisa dihitung. Definisi paling umum adalah jarak Euclidean: bayangkan setiap emiten sebagai satu titik di ruang berdimensi lima — satu sumbu untuk return, satu untuk volatilitas, dan seterusnya. Dua emiten dianggap mirip bila titiknya berdekatan.

Rumus itu tampak polos, tapi menyimpan jebakan besar. Volume perdagangan diukur dalam jutaan lembar; Sharpe ratio berkisar antara −1 dan 2. Bila keduanya dimasukkan apa adanya, selisih volume sebesar sepuluh juta lembar akan menenggelamkan seluruh perbedaan Sharpe ratio. Ruangnya jadi timpang: satu fitur berteriak, empat lainnya berbisik.

Karena itu standardisasi bukan langkah kosmetik melainkan syarat sahnya jarak. Seluruh e-book keempat di rak ini membahasnya sendiri, dan urutannya bukan kebetulan — praproses selalu datang sebelum algoritma.

Metode pengelompokan yang dipakai luas dapat dikelompokkan sendiri ke dalam tiga keluarga, dan memilih keluarga yang salah biasanya lebih merugikan daripada menyetel parameter yang kurang optimal.

• —Berbasis partisi (K-Means, K-Medoids, Fuzzy C-Means). Jumlah kelompok ditentukan di muka, lalu data dibagi habis. Cepat, sederhana, dan cocok untuk kelompok yang berbentuk membulat.
• —Berbasis hierarki (agglomerative, divisive). Menghasilkan pohon penggabungan, bukan satu partisi. Jumlah kelompok bisa dipilih belakangan dengan memotong pohon di ketinggian tertentu, tapi biayanya naik cepat pada data besar.
• —Berbasis densitas (DBSCAN, OPTICS). Kelompok didefinisikan sebagai wilayah padat yang dipisahkan wilayah renggang. Bisa menemukan bentuk yang tidak membulat dan sekaligus menandai pencilan, tapi sensitif terhadap parameter radius.

Penelitian yang mendasari situs ini memilih keluarga partisi dengan dua wakil: K-Means yang memberi keputusan tegas, dan Fuzzy C-Means yang memberi derajat keanggotaan. Alasannya praktis — jumlah kelompok yang diinginkan memang ditetapkan di muka (tiga watak pasar), dan yang ingin diuji justru apakah kedua cara membagi itu sepakat.

Empat puluh lima emiten dengan lima metrik menghasilkan 225 angka. Tidak ada orang yang bisa memegang 225 angka di kepala sekaligus. Pengelompokan adalah alat kompresi: ia menukar ketelitian dengan kemampuan mengingat. Tiga kelompok jauh lebih mudah dibicarakan daripada empat puluh lima emiten, dan itu sudah cukup untuk sebagian besar keputusan awal.

Manfaat keduanya adalah diversifikasi. Portofolio yang berisi lima emiten dari kelompok yang sama tidak seaman kelihatannya — kelimanya cenderung jatuh bersamaan karena memang berperilaku serupa. Mengetahui bahwa lima emiten itu satu kelompok adalah peringatan yang tidak muncul dari melihat nama sektornya.

Clustering menjelaskan masa lalu. Ia membaca lima tahun data harga dan menyimpulkan: selama periode itu, emiten-emiten ini berperilaku serupa. Ia tidak menjanjikan bahwa kemiripan itu berlanjut. Perusahaan berganti manajemen, sektor berganti siklus, dan emiten yang defensif selama lima tahun bisa berubah watak dalam enam bulan.

Ia juga tidak memberi peringkat. Kelompok 1 bukan lebih baik daripada kelompok 3; keduanya hanya berbeda. Menerjemahkan 'agresif' menjadi 'layak beli' adalah lompatan yang dibuat pembaca, bukan yang dibuat algoritma.

Dan ia tidak menghitung harga wajar. Tidak satu pun dari lima fitur yang dipakai menyentuh laporan keuangan. Sebuah emiten yang mahal secara fundamental bisa duduk nyaman di kelompok stabil, karena yang diukur adalah perilaku harganya, bukan nilai perusahaannya.

Sembilan e-book lain di rak ini menyusul urutan pengerjaan penelitian, bukan urutan tingkat kesulitan. Membacanya berurutan berarti mengikuti data dari bentuk mentahnya sampai jadi kesimpulan.

1. 01Praproses — bagaimana harga harian lima tahun berubah jadi lima fitur.
2. 02Standardisasi — mengapa skor-Z wajib sebelum jarak dihitung.
3. 03K-Means — algoritmanya, iterasinya, dan jebakan inisialisasinya.
4. 04Fuzzy C-Means — ketika satu emiten pantas dimiliki dua kelompok.
5. 05Evaluasi — silhouette, elbow, dan fuzzy partition coefficient.
6. 06PCA — memampatkan lima dimensi jadi peta yang bisa dilihat mata.
7. 07Lima fitur — makna finansial di balik tiap metrik.
8. 08LQ45 — sifat indeksnya dan pengaruh rotasi anggota.
9. 09Implementasi — kode Python yang mereproduksi seluruh pipeline.

Bila waktumu terbatas dan tujuanmu memahami hasil di situs ini secukupnya, tiga yang paling menentukan adalah standardisasi, K-Means, dan evaluasi. Sisanya memperdalam, bukan menyambung.