Behavioral Finance — Bias Kognitif dan Prospect Theory dari Nol

Seorang investor di Jakarta membeli saham BBCA di Rp 7.500 pada awal 2020. Pada Maret 2020, saat pandemi menerjang, harganya anjlok ke Rp 4.900 — kerugian kertas hampir 35%. Dia tidak menjual. “Nanti balik kok,” pikirnya. Harga memang pulih, dan akhirnya dia untung. Tapi kemudian pada 2021, saat saham naik tipis menjadi Rp 7.700 — belum sampai target tapi sudah untung tipis — dia langsung jual. “Sudah untung, ambil dulu.” Cerita serupa diulang puluhan juta kali oleh investor ritel di Bursa Efek Indonesia setiap hari: menahan pecundang terlalu lama, menjual pemenang terlalu cepat. Kenapa?

Jawabannya bukan bahwa investor itu bodoh atau tidak tahu teori. Dia mungkin lulusan MBA, mungkin sudah baca buku Markowitz, mungkin bisa menghitung CAPM. Tapi di momen keputusan, otaknya tidak bekerja seperti model rasional yang diajarkan di buku teks keuangan. Ini bukan kegagalan intelektual — ini arsitektur otak manusia. Pelajaran yang diberikan Daniel Kahneman dan Amos Tversky kepada dunia sejak 1979 — sebuah pelajaran yang membuat Kahneman menerima Nobel Ekonomi 2002 — adalah: manusia tidak rasional secara konsisten, dan penyimpangannya bisa diprediksi.

Keuangan Modern (Modern Portfolio Theory, CAPM, Efficient Market Hypothesis) dibangun di atas satu pilar: investor rasional yang memaksimalkan utilitas expected return dengan rasional sempurna. Behavioral finance tidak menolak teori itu — ia menambahkan dimensi realistis: bagaimana manusia nyatanya membuat keputusan di bawah ketidakpastian. Dua hasil samping membongong: (1) sebuah model matematika sederhana yang disebut Prospect Theory, dengan value function S-shaped dan loss aversion $\lambda \approx 2{,}25$; dan (2) sebuah katalog bias kognitif yang berulang dan terukur. Artikel ini membangun keduanya dari nol, dengan angka konkret dari BEI, dan diakhiri dengan kalkulator Excel yang menghidupkan value function di depan mata Anda.

Mengapa Keuangan Modern Tidak Cukup

Asumsi rasionalitas yang dipertanyakan

Model keuangan klasik mengasumsikan investor adalah homo economicus — agen rasional yang:

1. Memiliki preferensi konsisten (jika A lebih disukai dari B, dan B dari C, maka A dari C).
2. Menggunakan semua informasi yang tersedia secara optimal.
3. Risk-averse secara konsisten — selalu lebih suka kepastian daripada lotere dengan nilai harapan sama.

Tiga dekade penelitian eksperimental membongkar ketiga asumsi ini. Manusia nyata:

1. Punya preferensi yang bergantung pada kerangka (framing) — pilihan berubah sesuai cara masalah disajikan, meski substansinya sama.
2. Sistematis terlalu percaya diri — investor aktif mempercayai analisis mereka sendiri lebih dari yang seharusnya, dan underperform indeks setelah biaya transaksi.
3. Berubah arah terhadap risiko — risk-averse untuk keuntungan tapi risk-seeking untuk kerugian (ini kunci mengapa pecundang menjadi spekulatif).

Behavioral finance tidak mengatakan “model CAPM salah”. Ia mengatakan: model CAPM adalah titik awal yang berguna, tetapi ada koreksi sistematis yang harus diperhitungkan kalau Anda ingin memahami perilaku pasar nyata — apalagi pasar berkembang seperti BEI yang didominasi investor ritel emosional.

System 1 vs System 2

Kerangka berpikir Kahneman (dipopulerkan di Thinking, Fast and Slow, 2011) membedakan dua sistem kognisi:

• System 1 — cepat, otomatis, intuitif, emosional. Mengenali wajah, membaca emosi pasar, merasa “tidak enak” saat harga turun. Hemat energi.
• System 2 — lambat, usaha, logis, analitis. Menghitung DCF, mengevaluasi matriks kovarians, menimbang biaya peluang. Boros energi.

Kunci behavioral finance: keputusan keuangan penting seharusnya ditangani System 2, tetapi sebagian besar keputusan nyata ditangani System 1. Investor yang seharusnya menghitung rasio Sharpe malah membeli saham karena “rasanya akan naik” setelah melihat threads X (Twitter) yang heboh. Lima bias kognitif yang akan kita bahas adalah pola kesalahan System 1 yang terprediksi. Tapi sebelum masuk ke sana, kita perlu fondasi matematisnya: Prospect Theory.

Prospect Theory: Value Function dan Titik Referensi

Pada 1979, Kahneman dan Tversky menerbitkan Prospect Theory: An Analysis of Decision under Risk — sebuah makalah yang merevolusi ekonomi keuangan. Inti teori itu hanya satu proposisi yang tampak sederhana tapi radikal: manusia tidak mengevaluasi kekayaan absolut; mereka mengevaluasi perubahan terhadap titik referensi.

Proposisi 1: Titik referensi

Model rasional (utilitas expected utility Bernoulli) mengatakan utilitas adalah fungsi kekayaan total $U(w)$: seorang investor dengan kekayaan Rp 100 juta akan mengambil keputusan berdasarkan utilasi kekayaan Rp 100 juta plus/minus konsekuensi pilihan. Kahneman-Tversky berkata: salah. Yang dievaluasi bukan kekayaan absolut, melainkan perubahan relatif terhadap titik referensi — biasanya status quo, atau harga beli, atau target mental.

Inilah mengapa investor yang rugi Rp 5 juta dari Rp 100 juta kekayaan merasa sangat sakit, padahal kekayaannya masih Rp 95 juta. Titik referensinya adalah Rp 100 juta; kerugian dievaluasi relatif terhadap titik itu, bukan terhadap Rp 0.

Proposisi 2: Value function S-shaped

Kahneman-Tversky mengganti fungsi utilitas kekayaan dengan value function $v(x)$ yang memetakan perubahan kekayaan $x$ terhadap titik referensi. Bentuknya khas:

$$v(x) = \begin{cases} x^{\alpha} & \text{jika } x \geq 0 \text{ (gains)} \\ -\lambda \cdot (-x)^{\beta} & \text{jika } x < 0 \text{ (losses)} \end{cases}$$

dengan tiga parameter yang dikalibrasi dari eksperimen (Tversky & Kahneman, 1992):

Tiga ciri visual value function yang menjadi inti Prospect Theory:

1. Concave di gains (kuadran kanan-atas). Tambahan Rp 1 juta dari Rp 0 ke Rp 1 juta terasa lebih besar daripada tambahan Rp 1 juta dari Rp 9 juta ke Rp 10 juta. Ini konsisten dengan risk-aversion klasik — investor lebih suka pasti daripada lotere fair.
2. Convex di losses (kuadran kiri-bawah). Kerugian tambahan dari -Rp 9 juta ke -Rp 10 juta terasa lebih kecil daripada dari -Rp 0 ke -Rp 1 juta. Konsekuensinya radikal: di losses, investor menjadi risk-seeking — mereka mau bertaruh untuk menghindari realisasi kerugian.
3. Lebih curam di losses daripada gains (asimetri vertikal). Untuk nilai $|x|$ yang sama, $|v(-x)| > v(x)$ dengan rasio $\approx \lambda = 2{,}25$. Inilah loss aversion.

Mari kita hitung angka konkret. Untuk $x = +10.000$ (ribu Rupiah) dan $x = -10.000$:

$$v(+10.000) = 10.000^{0{,}88} \approx 3.311$$

$$v(-10.000) = -2{,}25 \cdot 10.000^{0{,}88} \approx -7.450$$

Rasio $|v(-10.000)| / v(+10.000) \approx 7.450 / 3.311 \approx 2{,}25$ — tepat $\lambda$, sebagaimana mestinya karena $\alpha = \beta$. Kerugian Rp 10 juta terasa 2,25 kali lebih menyakitkan daripada kegembiraan keuntungan Rp 10 juta. Bandingkan dengan model rasional linear, yang akan menghasilkan rasio 1.

Konsekuensi: refleksi risiko dan disposition effect

Gabungan convexity di losses dan loss aversion melahirkan satu prediksi berbahaya: refleksi risiko. Investor yang risk-averse untuk gains menjadi risk-seeking untuk losses. Pilih satu:

• (A) Pasti rugi Rp 9 juta.
• (B) 90% peluang rugi Rp 10 juta, 10% peluang bebas.

Nilai harapan uangnya: (A) = -Rp 9 juta; (B) = 0,9 × (-Rp 10 juta) = -Rp 9 juta. Sama secara matematis. Investor rasional indifferent. Tapi value function memprediksi:

$$v(A) = v(-9.000) = -2{,}25 \cdot 9.000^{0{,}88} \approx -6.791$$

$$v(B) = 0{,}9 \cdot v(-10.000) + 0{,}1 \cdot v(0) = 0{,}9 \cdot (-7.450) + 0 \approx -6.705$$

$v(B) - v(A) \approx +86 > 0$. Prospect Theory memprediksi mayoritas memilih (B) — bertaruh untuk menghindari realisasi kerugian, meskipun nilai harapannya identik. Inilah mengapa penjudi yang kalah “mengejar kerugian” (chasing losses), dan mengapa investor ritel menahan saham yang sudah jelas fundamentalnya rusak. Konsep ini disebut disposition effect ketika diterapkan ke portofolio, dan akan kita ukur di lembar Excel.

Loss Aversion: Mengapa Kerugian Terasa 2,25×

Loss aversion bukan saja fenomena paling kuat dari Prospect Theory — ia adalah penjelasan paling kompak untuk banyak anomali pasar. Eksperimen-eksperimen konsisten menemukan bahwa mayoritas orang menolak lotere 50/50 untuk memenangkan Rp 110 / kalah Rp 100, meskipun nilai harapannya positif (+Rp 5). Kenapa? Karena rasa sakit kehilangan Rp 100 (~2,25× dalam utilitas nilai) lebih besar daripada kegembiraan menang Rp 110.

Jumlah kompensasi yang membuat orang indifferent disebut loss aversion premium: untuk membuat lotere 50/50 acceptable, gain harus ~2× lipat dari loss. Inilah sebabnya:

• Status quo bias — orang menolak perubahan karena kerugian potensial (relatif terhadap status quo) terasa 2× lipat dari keuntungan potensial. Sulit meyakinkan investor untuk rebalance portofolio yang sudah lama dia pegang.
• Equity premium puzzle (Mehra-Prescott, 1985) — saham menawarkan premi imbal hasil jauh lebih tinggi dari obligasi daripada yang bisa dijelaskan model rasional. Penjelasan behavioral: investor sangat menghindari kerugian (bukan varians), sehingga menuntut premi besar untuk memegang aset yang bisa rugi.
• Sticky prices dan under-trading — pasar properti dan saham sering membeku saat harga turun, karena pemegang menolak menjual di bawah harga beli (titik referensi). BEI Maret 2020 penuh dengan investor yang menahan posisi rugi daripada realisasi.

Tabel ringkas: utilitas netto peristiwa simetris

Untuk dua peristiwa simetris — bonus Rp 10 juta lalu kerugian Rp 10 juta — bandingkan model rasional vs Prospect Theory:

Ini bukan ilusi. Ini alasan mengapa seorang karyawan yang dapat bonus tahunan Rp 15 juta lalu kehilangan Rp 10 juta di reksa dana merasa “tahun ini buruk”, padahal net positif Rp 5 juta. Otaknya (System 1) menghitung utilitas relatif terhadap titik referensi masing-masing peristiwa — bukan menjumlahkan kekayaan.

Lima Bias Kognitif yang Paling Sering Menjangkiti Investor

Prospect Theory memberi kita model utilitas yang realistis. Tapi behavioral finance juga mengidentifikasi pola kesalahan spesifik — bias kognitif — yang menjangkiti hampir setiap investor. Lima di antaranya paling sering muncul di BEI.

1. Anchoring — Terjebak Angka Acak

Mekanisme: estimasi tertarik ke arah angka apa pun yang baru saja dilihat, meskipun angka itu jelas tidak relevan. Eksperimen klasik Tversky-Kahneman: tanyakan dua digit akhir NPM subjek (misal “apakah NPM Anda lebih besar dari 65?”), lalu tanyakan “berapa persen negara Afrika di PBB?”. Subjek dengan NPM tinggi memberi estimasi jauh lebih tinggi daripada subjek dengan NPM rendah. Angka acak itu menjadi jangkar.

Aplikasi ke IPO GoTo 2022: GoTo (Gojek-Tokopedia) IPO di BEI 30 Maret 2022 dengan harga penawaran Rp 338. Harga resepsi perdagangan melonjak ke Rp 380–400, didorong FOMO investor ritel yang melihat “jangkar” Rp 338 sebagai “harga murah” tanpa analisis valuasi fundamental (GoTo kala itu masih membakar kas besar). Dalam hitungan minggu, harga jatuh ke Rp 200-an, lalu menyentuh Rp 60 pada 2023. Investor yang anchor pada Rp 338 merasa “murah” di Rp 200 — padahal valuasi fundamental sudah jauh lebih rendah.

Model kuantitatif sederhana (di Excel BIAS_5): estimasi investor bisa dimodelkan sebagai rata-rata tertimbang antara harga fundamental ($F$) dan jangkar ($A$):

$$\hat{P} = w \cdot A + (1-w) \cdot F$$

dengan $w \in [0,1]$ bobot jangkar. Untuk $F = 800$, $A = 1.500$, $w = 0{,}55$: $\hat{P} = 0{,}55 \cdot 1.500 + 0{,}45 \cdot 800 = 1.185$. Investor yang seharusnya tahu harga wajar Rp 800 ternyata mengestimasi Rp 1.185 — bias Rp 385 murni dari jangkar.

2. Overconfidence — Miscalibration dan Ilusi Kontrol

Mekanisme: investor sistematis (a) terlalu yakin pada akurasi pengetahuan mereka, dan (b) terlalu sempit dalam interval keyakinan. Tes standar: minta seseorang membuat interval keyakinan 90% untuk nilai suatu besaran (misal target harga saham 1 tahun). Orang awam menghasilkan interval yang terlalu sempit sehingga hanya ~30–50% nilai sebenarnya yang jatuh di dalamnya — bukan 90%. Ini miscalibration.

Bentuk kedua, illusion of control: investor aktif meyakini kemampuan timing pasar mereka. Studi Odean (1999) terhadap 10.000 akun investor ritel AS menunjukkan: saham yang mereka jual rata-rata outperform saham yang mereka beli dengan biaya transaksi — efek kebalikan dari tujuan. Overconfidence membuat mereka over-trade.

Aplikasi BEI: trader harian BEI yang sering mengaku “baca chart” tapi konsisten underperform IHSG setelah biaya broker. Survei investor ritel Indonesia rutin menemukan bahwa >70% responden meyakini mereka akan “mengalahkan pasar” tahun depan — secara matematis tidak mungkin untuk semua orang.

3. Herding — Ikut Massa Melawan Sinyal Privat

Mekanisme: investor meniru tindakan orang lain, bahkan ketika sinyal privat mereka sendiri menyarankan sebaliknya. Model information cascade (Bikchandani, Hirshleifer, Welch, 1992): setelah beberapa orang berturut-turut mengambil keputusan yang sama, setiap individu rasional akan mengabaikan sinyalnya sendiri dan ikut kerumun — karena diasumsikan orang-orang sebelumnya tahu sesuatu yang tidak dia tahu. Konsekuensinya: cascade dapat salah secara sistematis, dan gelembung terbentuk.

Aplikasi BEI: grup WhatsApp/Telegram “saham gorengan” yang saling mengonfirmasi beli saham lapis kedua tanpa fundamental. Mekanisme pump-and-dump: operator mengakumulasi diam-diam, lalu menyebarkan “sinyal” di grup — herding mendorong harga naik, operator jual di puncak, kerumun terjebak.

Probabilitas ikut kerumun (model sederhana di Excel):

$$P(\text{ikut herd}) \approx \frac{S_{\text{publik}}}{S_{\text{privat}} + S_{\text{publik}}}$$

dengan $S$ kekuatan sinyal. Saat $S_{\text{publik}} = 0{,}8$ (desiran grup + media sosial) dan $S_{\text{privat}} = 0{,}6$ (analisis pribadi), $P \approx 0{,}57$ — mayoritas ikut. Mekanisme ini menjelaskan mengapa investor BEI sering mengetahui bahwa suatu saham sudah overvalued tetapi tetap beli karena “semua orang beli”.

4. Disposition Effect — Jual Pemenang, Tahan Pecundang

Mekanisme: ini konsekuensi langsung dari refleksi risiko (Prospect Theory). Karena investor risk-averse di gains (kurva concave), mereka cepat menjual posisi yang untung untuk “mengunci keuntungan”. Karena risk-seeking di losses (kurva convex), mereka menahan posisi yang rugi dengan harapan pulih. Hasil bersih: menjual pemenang terlalu cepat (membatasi upside), menahan pecundang terlalu lama (memperbesar downside). Prediksi ini dikonfirmasi secara masif dalam data akun riil oleh Odean (1998).

Mengukur disposition effect (Odean 1998): definisikan dua rasio:

$$PGR = \frac{\text{realized gains}}{\text{realized gains} + \text{paper gains}}, \qquad PLR = \frac{\text{realized losses}}{\text{realized losses} + \text{paper losses}}$$

• PGR (Proportion of Gains Realized): dari semua posisi untung, berapa fraksi yang direalisasikan (dijual)?
• PLR (Proportion of Losses Realized): dari semua posisi rugi, berapa fraksi yang direalisasikan?

Disposition effect: $DE = PGR - PLR$. Jika $DE > 0$, investor menjual proporsional lebih banyak keuntungan daripada kerugian — bias hadir. Studi Odean menemukan rata-rata $DE \approx 0{,}05$ di sampel investor AS (PGR ~0,15 vs PLR ~0,10 — bahkan yang kecil pun signifikan). Di BEI, disposition effect cenderung lebih besar karena dominasi investor ritel emosional.

Contoh numerik (di Excel PORTOFOLIO): Investor A pada Q1 2024 punya 10 posisi: 6 di antaranya dijual dalam keadaan untung (realized gains), 4 masih untung kertas (paper gains), 1 dijual rugi (realized losses), 9 masih rugi kertas (paper losses). Maka:

$$PGR = \frac{6}{6+4} = 0{,}60, \qquad PLR = \frac{1}{1+9} = 0{,}10, \qquad DE = 0{,}50$$

$DE = 0{,}50$ sangat kuat — investor A menjual 60% posisi untungnya, tetapi hanya 10% posisi ruginya. Bandingkan dengan Investor B disiplin (3 dari 10 gains direalisasikan, 5 dari 10 losses direalisasikan): $PGR = 0{,}30$, $PLR = 0{,}50$, $DE = -0{,}20$. Negatif artinya investor B justru lebih cepat realisasi kerugian daripada keuntungan — kebalikan disposition effect, ciri disiplin value-investing.

5. Mental Accounting — Uang Tidak Dipertukarkan Sempurna

Mekanisme: Thaler (1985) menemukan bahwa orang membagi uang ke dalam “akun mental” terpisah — gaji, bonus, hadiah, dividen, keuntungan modal, warisan — dan membelanjakannya dengan marginal propensity to consume (MPC) berbeda untuk masing-masing, meski substansi ekonominya sama (Rp 1 = Rp 1). Akibatnya:

• Dividen tak terduga dibelanjakan impulsif (MPC tinggi ~0,85) — meski secara substansi sama dengan gaji.
• Bonus tahunan ditabung sebagian (MPC ~0,40).
• Gaji rutin ditabung paling besar (MPC ~0,30).
• Keuntungan capital dari saham dianggap “uang mainan” — ditaruh kembali ke spekulasi naik turun, bukan dibukukan ke reksa dana indeks.

Konsekuensi portofolio: investor yang seharusnya menilai setiap Rupiah dengan utilitas sama (sesuai utilitas kekayaan unified) malah mempertahankan “akun mental” terpisah. Ini melanggar fungsi utilitas terpadu yang menjadi dasar semua optimasi portofolio. Implikasi praktis: investor BEI sering membiarkan dividen menumpuk di RDN (rekening dana nasabah) tanpa direinvestasi — padahal bunga RDN nyaris nol — karena secara mental dividen itu “bonus, bukan modal kerja”.

Bereksperimen Sendiri

Workbook Excel pendamping artikel ini menghidupkan seluruh teori di atas dengan rumus hidup — geser satu parameter (misalnya $\lambda$ dari 2,25 ke 1,0), dan kurva value function, rasio loss aversion, hingga PGR/PLR berubah di depan mata. Lembar-lembarnya:

• PETUNJUK — cara pakai dan konvensi warna (biru = input, hitam = rumus, kuning = hasil kunci).
• VALUE_FUNCTION — kalkulator Kahneman-Tversky $v(x)$ lengkap: parameter $\alpha$, $\beta$, $\lambda$ bisa digeser; tabel $x \to v(x)$ untuk grid gains dan losses; kolom rasio $|v_{\text{loss}}|/v_{\text{gain}}$ (akan $\approx \lambda$ saat $\alpha = \beta$); plus grafik scatter kurva S-shaped yang otomatis tergambar ulang.
• LOSS_AVERSION — demo numerik loss aversion: utilitas netto dua peristiwa simetris (rasional = 0, Prospect Theory = negatif); certainty equivalent dari lotere 50/50; dan eksperimen refleksi risiko (pilih antara pasti rugi Rp 9 jt vs 90% peluang rugi Rp 10 jt — Prospect Theory memprediksi pilihan B).
• BIAS_5 — lima mini-kalkulator: anchoring (estimasi = $w \cdot A + (1-w) \cdot F$), overconfidence (skor miscalibration), herding (probabilitas ikut kerumun), disposition effect (PGR − PLR), mental accounting (selisih MPC).
• PORTOFOLIO — deteksi disposition effect di portofolio sendiri: input jumlah posisi realized/paper gains/losses, hitung PGR, PLR, dan DE otomatis; plus estimasi biaya opportunity tahunan dari bias tersebut.

Coba ubah $\lambda$ di lembar VALUE_FUNCTION dari 2,25 menjadi 1,0. Anda akan melihat kurva menjadi simetris sempurna (slope losses = slope gains) — inilah model rasional linear, di mana loss aversion hilang. Bandingkan secara visual bagaimana versi $\lambda = 2{,}25$ jauh lebih curam di kuadran kiri-bawah. Satu parameter, perbedaan besar — inilah inti kekuatan prediksi Prospect Theory.

Lalu di lembar PORTOFOLIO, masukkan data posisi Anda sendiri (hitung dari catatan RDN 12 bulan terakhir). Jika $DE > 0{,}05$, disposition effect hadir dan Anda sedang membayar “pajak tak terlihat”. Ini latihan diagnosis yang sering kali membuat investor terkejut.

Konteks Indonesia: Behavioral Finance di BEI

Pelajaran behavioral finance menjadi hidup di pasar yang didominasi investor ritel — dan BEI adalah pasar seperti itu.

Krisis 2008 dan 2020: panic selling lalu disposition effect

Saat krisis keuangan global 2008, IHSG anjlok dari puncak ~2.800 (Desember 2007) ke ~1.100 (Oktober 2008) — turun lebih dari 60%. Pola perilaku khas: investor ritel panik dan jual di dasar ( capitulation), merugi besar; lalu saat pasar mulai pulih, mereka menunggu “sampai balik ke harga beli” — disposition effect. Banyak yang baru kembali masuk di 2010 saat IHSG sudah 3.500, kehilangan rebound terbesar.

Saat pandemi Maret 2020, IHSG jatuh dari 6.300 ke 3.900 dalam tiga minggu. Disposition effect bekerja dua arah: investor yang rugi menahan (refleksi risiko — risk-seeking di losses), investor yang untung sedikit langsung jual. Hasilnya: return investor ritel BEI 2020 secara rata-rata jauh di bawah return IHSG — bukan karena IHSG naik sedikit, tetapi karena timing beli-jual emosional menggerus return.

IPO GoTo 2022: FOMO, anchoring, dan herding dalam satu paket

IPO GoTo 30 Maret 2022 adalah kasus textbook behavioral finance di BEI. Tiga bias bekerja sekaligus:

• Anchoring — investor anchor pada harga penawaran Rp 338, merasa harga resepsi Rp 380 “masih murah”.
• Herding — media sosial penuh “sinyal beli”, grup WA ramai. Investor ikut meski tidak paham valuasi.
• Overconfidence — investor ritel meyakini mereka bisa timing jual di puncak.

Hasil: harga naik ke Rp 400+ di hari pertama, lalu terus turun ke Rp 200 dalam sebulan, Rp 60 di 2023, dan Rp 40-an di 2024. Investor ritel yang beli di resepsi duduk di kerugian 80–90% selama bertahun-tahun. Disposition effect menjamin mereka tidak akan jual: kerugian terasa terlalu sakit untuk direalisasikan. Mereka menahan, berharap “balik ke Rp 338” (anchor mental yang kembali menghantui).

Saham gorengan dan pump-and-dump: herding yang disengaja

Saham lapis kedua/ketiga BEI dengan kapitalisasi kecil dan likuiditas tipis adalah medan subur herding. Operator mengakumulasi diam-diam, lalu menyebarkan “sinyal” di grup WhatsApp/Telegram. Herding mendorong harga naik 30–100% dalam beberapa hari. Operator jual di puncak; kerumun terjebak di harga tinggi. Disposition effect menahan mereka menjual (loss aversion), sehingga saham perlahan-lahan mati dengan volume kecil — investor menahan posisi rugi bertahun-tahun.

Otoritas Jasa Keuangan (OJK) rutin menghentikan sementara perdagangan (suspensi) saham-saham ini, tetapi kerugian psikologis dan finansial sudah terjadi. Pelajaran behavioral: investor yang paling rentan adalah yang mengandalkan sinyal kerumun, bukan riset fundamental sendiri — definisi herding.

Implikasi untuk Portofolio

Behavioral finance bukan sekadar teori akademis — ia punya implikasi praktis langsung untuk bagaimana Anda membangun dan memelihara portofolio.

1. Otomatisasi menggeser keputusan dari System 1 ke System 2

Karena lima bias utama adalah pola System 1, mitigasi paling efektif adalah memindahkan keputusan ke System 2 melalui otomatisasi dan pre-commitment. Praktik konkret:

• Dollar-cost averaging (DCA) — belanja rutin terjadwal setiap bulan menghapus keputusan timing (yang paling rentan emosi).
• Stop-loss mekanis — tentukan level cut-loss saat membuka posisi (saat System 2 masih kendali), dan eksekusi otomatis. Ini pre-commitment yang mengalahkan refleksi risiko di losses.
• Rebalancing terjadwal — kembalikan alokasi target setiap kuartal/tahun, terlepas dari apa yang naik/turun. Menghapus godaan “tunggu sebentar lagi”.
• Take-profit aturan — jangan jual saham untung begitu saja; punya kriteria (misal jual 1/3 saat +30%, trailing stop setelah itu).

2. Disposisi aset defensif untuk kerangka waktu panjang

Loss aversion membuat investor terlalu konservatif — menumpuk obligasi/deposito meski horizon investasinya 20 tahun, sehingga inflasi menggerus kekayaan riil. Solusi behavioral: pikirkan keputusan alokasi sekali, berdasarkan horizon dan toleransi risiko (System 2), lalu pre-commit dan kurangi frekuensi memantau. Investor yang memeriksa portofolio setiap hari membuat System 1 bekerja berlebihan — setiap penurunan harian memicu rasa sakit loss aversion yang tidak proporsional dengan dampak jangka panjang.

3. Diversifikasi sebagai obat overconfidence dan herding

Overconfidence membuat investor konsentrasi pada beberapa “saham favorit” yang mereka yakini akan outperform. Herding membuat mereka menumpuk di sektor yang sedang populer. Dua-duanya melanggar pelajaran Markowitz (diversifikasi adalah satu-satunya “makan siang gratis” di keuangan). Disiplin alokasi lintas sektor (perbankan, telekomunikasi, konsumen, kesehatan, infrastruktur) dan lintas kelas aset (saham + obligasi + reksa dana) adalah obat struktural.

4. Value averaging dan re-balancing berbasis aturan

Sebagai pengganti keputusan diskresioner, gunakan aturan mekanis. Contoh: rebalance kuartalan ke target alokasi (misal 60% saham, 40% obligasi). Otomatis menjual aset yang “kelebihan naik” (counter disposition effect) dan membeli yang “kelebihan turun”. Hasil empiris: rebalancing terjadwal meningkatkan return risk-adjusted karena memaksa perilaku counter-intuitive (jual tinggi, beli rendah) — persis kebalikan disposition effect.

5. Jurnal keputusan dan akuntabilitas

Catat alasan masuk dan keluar setiap posisi sebelum eksekusi. Saat meninjau ulang enam bulan kemudian, Anda bisa membedakan keputusan yang lahir dari riset (System 2) versus dorongan emosi (System 1). Latihan sederhana ini, yang dipraktikkan banyak investor profesional, terbukti mengurangi over-trading dan meningkatkan kesadaran terhadap bias sendiri.

Kesalahan Umum

Menganggap behavioral finance menggugurkan teori klasik. Tidak. CAPM, MPT, dan DCF tetap alat analisis berharga — mereka memberi benchmark rasional. Behavioral finance menambahkan koreksi realistis terhadap penyimpangan sistematis. Investor yang mengabaikan teori klasik “karena manusia tidak rasional” kehilangan kerangka menilai harga wajar dan risiko.

Menyalahkan setiap keputusan buruk pada “bias”. Bias adalah pola sistematis yang terprediksi, bukan alasan universal untuk setiap kerugian. Kadang Anda rugi karena analisis salah, bukan karena emosi. Bedakan: tuliskan thesis awal, evaluasi pasca-faktum apakah keputusan menyimpang dari thesis itu.

Menggunakan Prospect Theory sebagai pembenar menahan pecundang. Beberapa investor salah membaca: “karena otak saya dirancang menahan kerugian, ya tahan saja”. Sebaliknya — justru karena disposition effect adalah bias, Anda harus melawan dorongan menahan pecundang lewat stop-loss mekanis. Pengetahuan tentang bias adalah preskripsi untuk mengoreksinya, bukan rasionalisasi.

Mengira hanya investor awam yang terkena bias. Profesional (analis, manajer dana) juga sistematis terbias — dengan pola berbeda (analis overconfident tentang forecast earnings; manajer dana herding ke benchmark agar tidak underperform). Tidak ada yang kebal; yang berbeda hanya kesadaran dan struktur mitigasi.

Mengabaikan titik referensi yang berubah. Titik referensi tidak selalu harga beli — bisa harga tertinggi historis, target mental, atau harga terakhir dilihat. Setelah saham naik dari Rp 5.000 ke Rp 8.000 lalu turun ke Rp 6.500, banyak investor merasa “rugi” karena titik referensi sudah naik ke Rp 8.000. Sadari titik referensi aktual yang Anda pakai.

Dipakai di Dunia Nyata

• Desain produk investasi ritel. Robo-advisor (Bibit, Bareksa, Tanamduit) secara aktif memanfaatkan behavioral finance: fitur auto-invest (DCA) memindahkan keputusan ke System 2; default option ke portofolio diversified memanfaatkan status quo bias untuk kebaikan investor; alarm “jangan panik” saat pasar turun adalah counter loss aversion.
• Kebijakan OJK dan BEI. Suspend saham gorengan, disclosure requirement, dan edukasi investor adalah intervensi melawan herding dan overconfidence at retail. Aturan cooldown period di IPO mengurangi FOMO saat resepsi perdagangan.
• Manajemen risiko institusional. Bank dan dana pensiun memakai pre-commitment (alokasi strategis jangka panjang yang tidak diubah-ubah kecuali tiap tahun) dan limit risk untuk mengikat tangan trader — mencegah disposition effect dan overconfidence di tingkat institusi.
• Desain nudge keuangan. Auto-enrollment DPLK (default ikut kecuali opt-out), escalation kontribusi otomatis (naikkan 1% per tahun), dan framing “anda akan kehilangan Rp X kalau tidak ikut” — semua memanfaatkan loss aversion untuk mendorong perilaku keuangan sehat.
• Investasi value dan strategi Warren Buffett. Investor value memanfaatkan kesalahan pasar akibat bias: mereka membeli saham yang undervalued karena herding menjatuhkannya, lalu menahan lama melawan disposition effect untuk menjual. Disiplin kontra-siklus adalah implementasi praktis melawan herding.

Cek Pemahaman

1. Seorang investor membeli saham di Rp 10.000. Harga naik ke Rp 12.000, lalu turun ke Rp 11.000. Dia menjual di Rp 11.000 karena “untung Rp 1.000 sudah cukup”. Dua minggu kemudian, saham itu di Rp 14.000. Jelaskan keputusan ini dengan Prospect Theory, dan hitung utilitas relatif terhadap dua titik referensi yang mungkin (harga beli Rp 10.000; harga puncak Rp 12.000).

Lihat jawaban

Relatif terhadap harga beli Rp 10.000: menjual di Rp 11.000 = gain Rp 1.000, $v(+1.000) = 1.000^{0{,}88} \approx 575$ — utilitas positif, jadi rasional untuk menjual? Tapi itu mengabaikan fakta bahwa saham masih naik — prediksi risk-aversion di gains (kurva concave) membuat investor cepat “mengunci” keuntungan meski upside masih besar. Ini disposition effect.

Relatif terhadap harga puncak Rp 12.000 (titik referensi aktual investor setelah melihat Rp 12.000): menjual di Rp 11.000 = loss Rp 1.000, $v(-1.000) = -2{,}25 \cdot 1.000^{0{,}88} \approx -1.294$. Justru negatif. Tapi investor menjual juga — kombinasi (a) masih untung vs harga beli (positive utility di satu akun mental) dan (b) takut jatuh lebih jauh dari Rp 11.000. Disposition effect membuatnya memotong pemenang dua kali: kehilangan sisa upside Rp 3.000 (Rp 11.000 → Rp 14.000).

2. Anda dihadapkan pilihan: (A) pasti menerima Rp 50 juta, atau (B) lotere 50% peluang Rp 100 juta dan 50% peluang Rp 0. Expected value keduanya Rp 50 juta. Mayoritas orang memilih (A). Jelaskan dengan value function.

Lihat jawaban

Hitung utilitas Prospect Theory (dalam jutaan Rupiah, titik referensi Rp 0):

$$v(A) = v(50) = 50^{0{,}88} \approx 33{,}1$$

$$v(B) = 0{,}5 \cdot v(100) + 0{,}5 \cdot v(0) = 0{,}5 \cdot 100^{0{,}88} + 0 = 0{,}5 \cdot 60{,}3 \approx 30{,}1$$

$v(A) = 33{,}1 > v(B) = 30{,}1$. Karena kurva gains concave ($\alpha = 0{,}88 < 1$), $v(100) < 2 \cdot v(50)$ — utilitas 100 kurang dari dua kali utilitas 50. Maka rata-rata tertimbangnya kurang dari utilitas pasti 50. Risk-aversion di gains (kurva concave) memprediksi pilihan (A). Ini konsisten dengan expected utility klasik — Prospect Theory memperkuat dan menggeneralisasi.

3. (transfer) Seorang analis mengklaim: “Karena value function lebih curam di losses, investor harus menghindari saham berisiko dan menempatkan semua di obligasi pemerintah.” Kritikilah pernyataan ini dari sudut pandang portfolio theory + behavioral finance.

Lihat jawaban

Tiga kesalahan:

1. Mengkonfusi loss aversion dengan risk aversion terhadap varians. Loss aversion adalah asimetri gain/loss di value function; ia menjelaskan mengapa kerugian terasa 2,25× lipat. Tapi ini bukan alasan untuk menghindari semua risiko — justru menghindari risiko sepenuhnya (semua obligasi) berarti menyerah pada premi ekuitas (equity premium puzzle), dan untuk horizon panjang (>10 tahun), saham secara historis mengalahkan obligasi bahkan setelah koreksi.

2. Mengabaikan horizon dan titik referensi. Loss aversion terhadap perubahan jangka pendek (titik referensi = harga beli kemarin) berbeda dari evaluasi jangka panjang (titik referensi = kekayaan pensiun). Investor muda dengan horizon 30 tahun seharusnya toleran terhadap volatilitas jangka pendek — dan bisa “memprogram ulang” titik referensi ke kekayaan jangka panjang.

3. Pelajaran Markowitz tetap berlaku. Diversifikasi (bukan penghindaran risiko total) adalah strategi optimal — alokasi lintas aset dengan korelasi rendah menurunkan risiko portofolio tanpa membunuh return. Menggabungkan behavioral awareness (sadari loss aversion jangka pendek) dengan optimasi portofolio (diversifikasi) adalah pendekatan terpadu, bukan “salah satu atau”.

Catatan: Asumsi dan Keterbatasan Behavioral Finance

Behavioral finance, seperti model klasik yang ia kritik, juga punya keterbatasan:

• Kalibrasi parameter lintas budaya. Nilai $\lambda \approx 2{,}25$ adalah rata-rata sampel eksperimen budaya Barat (WEIRD). Studi lintas budaya menemukan $\lambda$ bervariasi — mungkin lebih tinggi di pasar berkembang dengan volatilitas tinggi. Untuk BEI loss aversion mungkin lebih kuat dari 2,25, tapi belum ada kalibrasi spesifik yang solid.
• Laboratorium vs pasar nyata. Banyak temuan dari eksperimen terkontrol (lotere hipotetis). Ekstrapolasi ke keputusan dengan uang sungguhan dalam jumlah besar tidak selalu lurus — meski studi data akun riil (Odean, Barber) umumnya mengkonfirmasi pola utama.
• Tidak semua penyimpangan sistematis. Beberapa perilaku “irasional” dalam eksperimen mungkin rasional dalam konteks tertentu (misal mengabaikan biaya transaksi). Behavioral finance kadang over-ascribe bias pada keputusan yang sebenarnya optimal dalam konteks terbatas.
• Bias bisa saling meniadakan. Herding dan overconfidence kadang mendorong arah berlawanan. Prediksi bersih perilaku pasar tidak selalu jelas dari daftar bias individual.

Pengembangan: nudge theory (Thaler-Sunstein) menerapkan behavioral ke policy; adaptive markets hypothesis (Lo, 2004) menggabungkan efisiensi pasar dengan pembelajaran evolusioner; behavioral portfolio theory (Shefrin-Statman) merevisi MPT dengan lapisan mental accounting. Tapi Prospect Theory tetap titik tolak wajib — semua pengembangan ini adalah perluasan, bukan penggantian.

Lanjutan

Behavioral finance memberi kita peta kognitif manusia — sekarang mari gabungkan dengan teori portofolio dan struktur modal:

• Teori Portofolio Modern (MPT) — Markowitz memberi kerangka rasional “harus bagaimana”; behavioral finance menjelaskan “mengapa investor nyatanya menyimpang”. Membaca keduanya bersama memberi gambaran lengkap.
• NPV vs IRR — overconfidence dan anchoring sering menyebabkan analis terlalu optimis dalam proyeksi arus kas DCF, lalu menggunakan IRR yang membengkak untuk membenarkan proyek.
• Kebijakan Dividen — mental accounting (dividen vs capital gain diperlakukan berbeda) dan signaling adalah jembatan langsung antara behavioral finance dan keputusan dividen emiten.
• Capital Structure — pecking order theory (perusahaan lebih suka pendanaan internal daripada eksternal) adalah aplikasi behavioral ke keputusan struktur modal — manajer juga terbias, bukan hanya investor.

Rumus di Excel

Value function gains  (x ≥ 0):
=x^alpha

Value function losses (x < 0):
=-lambda*(-x)^beta

Evaluasi v(x) untuk satu nilai x (gabungan):
=IF(x>=0, x^alpha, -lambda*(-x)^beta)

Rasio loss aversion  |v_loss|/v_gain  (akan = lambda saat alpha=beta):
=ABS(v_loss)/v_gain

Utilitas netto dua peristiwa simetris (Prospect Theory):
=v(+x) + v(-x)              'negatif = loss aversion hadir

PGR (Proportion of Gains Realized):
=realized_gains / (realized_gains + paper_gains)

PLR (Proportion of Losses Realized):
=realized_losses / (realized_losses + paper_losses)

Disposition Effect:
DE = PGR - PLR              '>0 = bias hadir

Anchoring — estimasi tertimbang:
=w*anchor + (1-w)*fundamental

Herding — probabilitas ikut kerumun:
=S_publik / (S_privat + S_publik)

Overconfidence — skor miscalibration:
=1 - (kalibrasi_aktual / 0.90)