Program Studi Bisnis Digital • FEB

Machine Learning in Finance

Pertemuan 1 — Pengantar ML dan Pasar Keuangan + Setup R/Python

Apa itu machine learning (ML), mengapa pasar keuangan menjadi lahan subur bagi ML, peta jalan satu semester, dan langkah pertama memasang R serta Python di laptop Anda.

RPS MINGGU 1 • 2 × 50 MENIT

Selamat datang di mata kuliah Machine Learning in Finance. Sebelum kita mulai, saya ingin Anda tahu satu hal penting: mata kuliah ini tidak menuntut Anda sudah bisa coding atau sudah paham statistik lanjutan — kita mulai betul-betul dari nol bersama-sama hari ini. Bayangkan setiap kali Anda membuka aplikasi trading saham dan melihat rekomendasi "saham yang mungkin Anda minati", atau saat Tokopedia menyarankan produk berdasarkan riwayat belanja Anda — di baliknya ada machine learning yang bekerja mengenali pola dari data. Semester ini kita akan belajar bagaimana pola-pola semacam itu ditemukan, khususnya di dunia pasar modal Indonesia seperti Bursa Efek Indonesia (BEI). Hari ini adalah fondasi: kita kenalan dengan konsep ML, lihat mengapa data keuangan cocok untuk ML, lalu kita tutup dengan memasang dua alat kerja utama kita sepanjang semester, yaitu R dan Python, di laptop masing-masing.

Bagian 1 dari 3

Mengapa ML di Dunia Keuangan?

Definisi machine learning, tiga jenis pembelajarannya, dan alasan pasar keuangan menjadi salah satu ladang aplikasi ML paling aktif di dunia.

Apa Itu Machine Learning (ML)?

ML adalah cabang kecerdasan buatan (artificial intelligence/AI) yang membuat komputer belajar pola dari data — tanpa diprogram aturan secara eksplisit.

ANALOGI SEHARI-HARI

BELAJAR DARI CONTOH

Seperti anak kecil belajar mengenali kucing dari ratusan foto kucing, bukan dari definisi kaku "hewan berkumis empat kaki". Semakin banyak contoh (data), semakin tajam polanya.

CONTOH KEUANGAN

PREDIKSI HARGA

Model ML "belajar" dari data historis harga BBCA (harga, volume, berita) untuk memprediksi apakah harga besok cenderung naik atau turun.

Beda kunci vs statistika klasik: statistika fokus menjelaskan hubungan variabel (mengapa); ML sering fokus memprediksi hasil seakurat mungkin (apa) — walau keduanya saling melengkapi di matkul ini.

Machine learning paling mudah dipahami lewat analogi cara anak kecil belajar mengenali kucing: dia tidak dikasih rumus matematis tentang kucing, dia hanya dikasih lihat banyak sekali foto kucing sampai otaknya menangkap polanya sendiri. Komputer bekerja mirip itu — kita kasih data dalam jumlah besar, dan algoritma menemukan pola tanpa kita menuliskan aturan "jika harga naik tiga hari berturut-turut maka jual" secara manual. Di dunia keuangan, contoh paling gampang adalah memprediksi arah harga saham BBCA besok berdasarkan pola harga, volume transaksi, dan bahkan sentimen berita hari-hari sebelumnya. Penting juga Anda pahami bedanya dengan statistika klasik yang sudah Anda pelajari sebelumnya: statistika sering bertanya "mengapa" suatu hubungan terjadi, sedangkan ML lebih sering bertanya "apa" hasil prediksi paling akurat — dan sepanjang semester ini kita akan memakai keduanya secara berdampingan, bukan salah satu saja.

ML vs Pemrograman Tradisional

Perbedaan paling mendasar: siapa yang menemukan aturan?

TRADISIONAL

ATURAN + DATA → JAWABAN

Manusia menulis aturan eksplisit (kode if-else) lebih dulu, lalu program menerapkannya ke data.

MACHINE LEARNING

DATA + JAWABAN → ATURAN

Kita kasih data dan contoh jawaban benar (mis. harga naik/turun historis); algoritma yang menemukan aturan/pola-nya sendiri.

Diagram ini adalah salah satu cara termudah membedakan pemrograman tradisional dari machine learning. Di pemrograman tradisional, seperti saat Anda membuat aplikasi hitung kembalian di kasir, manusia yang menulis semua aturannya lebih dulu — misalnya "jika total lebih dari lima puluh ribu, beri diskon lima persen" — lalu komputer tinggal menjalankan aturan itu pada data yang masuk. Machine learning membalik urutan ini: kita kasih komputer data historis DAN jawaban yang sudah benar, misalnya ribuan hari data harga saham beserta informasi apakah besoknya naik atau turun, lalu komputer sendiri yang mencari pola atau "aturan" yang menghubungkan keduanya. Inilah sebabnya ML sangat berguna untuk masalah yang aturannya terlalu rumit untuk ditulis manusia satu per satu, seperti memprediksi pergerakan harga saham yang dipengaruhi ratusan faktor sekaligus.

Tiga Jenis Machine Learning

SUPERVISED

BERLABEL

Data punya "jawaban benar" (label). Contoh: prediksi gagal bayar KUR dari data nasabah yang sudah diketahui lunas/macet.

UNSUPERVISED

TANPA LABEL

Tidak ada jawaban benar; algoritma mencari pengelompokan sendiri. Contoh: segmentasi nasabah bank jadi beberapa klaster profil risiko.

REINFORCEMENT

COBA-SALAH

Belajar lewat reward/penalti dari tindakan berulang. Contoh: robot algorithmic trading yang belajar strategi jual-beli optimal.

Fokus matkul ini: mayoritas materi ada di supervised (regresi, klasifikasi) dan unsupervised (K-means) — sesuai kebutuhan analisis keuangan sehari-hari.

Ada tiga jenis besar machine learning, dan Anda perlu bisa membedakannya sejak pertemuan pertama. Supervised learning artinya kita punya data yang sudah "berlabel", contohnya ribuan data nasabah KUR yang kita tahu persis mana yang akhirnya lunas dan mana yang macet; model belajar dari label historis itu untuk memprediksi nasabah baru. Unsupervised learning kebalikannya, tidak ada label sama sekali; kita hanya minta algoritma mengelompokkan data yang mirip, misalnya bank ingin tahu ada berapa "tipe" nasabah berdasarkan pola transaksinya tanpa kita tentukan kategorinya dari awal. Reinforcement learning agak berbeda, ini soal belajar lewat coba-coba dengan hadiah dan hukuman, seperti robot trading yang terus mencoba strategi jual-beli dan diberi "hadiah" berupa profit jika strateginya berhasil. Di semester ini, porsi terbesar kita ada di supervised dan unsupervised karena itulah dua jenis yang paling langsung dipakai untuk analisis rasio keuangan, klasifikasi kredit, dan segmentasi portofolio.

Mengapa Pasar Keuangan "Lahan Subur" bagi ML?

DATA MELIMPAH

Harga saham BEI ter-update per detik
Jutaan laporan keuangan & berita ekonomi
Data transaksi digital (e-wallet, e-commerce)

POLA NON-LINEAR

Hubungan harga & berita sering tidak lurus (non-linear)
Statistika klasik kadang kurang menangkapnya

CONTOH NYATA INDONESIA

FINTECH & BANK

Bank menilai skor kredit KUR dengan ML; fintech P2P lending menyaring peminjam; sekuritas memakai ML untuk algorithmic trading di BEI; OJK memakai analitik data untuk mengawasi risiko sistemik.

Ada dua alasan besar mengapa keuangan menjadi salah satu bidang paling aktif memakai machine learning. Pertama, data yang tersedia sangat melimpah — harga saham di Bursa Efek Indonesia diperbarui hampir setiap detik, ditambah jutaan laporan keuangan, berita ekonomi, bahkan data transaksi digital dari e-wallet dan e-commerce seperti Tokopedia. Kedua, banyak hubungan di dunia keuangan bersifat tidak lurus atau non-linear — misalnya efek sebuah berita buruk terhadap harga saham bisa sangat kecil di hari-hari normal tapi meledak drastis saat kondisi pasar sedang genting, pola semacam ini sulit ditangkap oleh model statistik klasik yang lebih sederhana. Di Indonesia sendiri contohnya sangat konkret: bank-bank besar memakai ML untuk menilai kelayakan kredit KUR, perusahaan fintech peer-to-peer lending menyaring calon peminjam secara otomatis, dan perusahaan sekuritas memakai algorithmic trading berbasis ML untuk bertransaksi di BEI dalam hitungan milidetik.

Peta Jalan Satu Semester

Perjalanan kita dari statistik dasar sampai ML kontemporer:

Fase	Minggu (kira-kira)	Topik Utama
1. Fondasi	1–3	Return, volatilitas, statistik dasar data finansial
2. Time Series	4–7	OLS, VAR/VECM, ARMA/ARIMA, ARCH/GARCH untuk forecasting
3. Portofolio & Opsi	8–10	Markowitz, factor model, Value-at-Risk, Black-Scholes vs ML
4. ML Kontemporer	11–14	Sentiment analysis, klasifikasi (regresi logistik, decision tree, random forest, KNN), clustering (K-means)

Hari ini kita berdiri di Fase 1 — membangun fondasi konsep & alat kerja sebelum masuk model statistik minggu depan.

Supaya Anda tidak tersesat sepanjang semester, mari lihat peta jalan besarnya sekali saja hari ini. Kita mulai dari fase fondasi, yaitu memahami statistik dasar return dan volatilitas data finansial di beberapa minggu pertama. Setelah itu kita masuk ke fase time series, mempelajari model klasik seperti OLS, VAR, VECM, ARIMA, dan GARCH untuk meramalkan dan menguji ketahanan data finansial terhadap guncangan. Fase ketiga membawa kita ke optimasi portofolio ala Markowitz dan valuasi opsi, membandingkan pendekatan klasik Black-Scholes dengan pendekatan machine learning. Fase terakhir, paling seru menurut banyak mahasiswa, adalah ML kontemporer: sentiment analysis untuk algorithmic trading, serta teknik klasifikasi dan segmentasi data keuangan. Hari ini kita berada tepat di awal fase pertama — anggap ini sebagai pemanasan sebelum mendaki gunung yang lebih tinggi.

Bagian 2 dari 3

Alur Kerja Data Science dalam Keuangan

Bagaimana data mentah pasar modal berubah menjadi model prediktif — plus dua latihan hitung dari nol: return saham dan volatilitas.

Siklus Kerja Data Science

Setiap proyek ML finansial mengikuti alur berulang ini:

Semester ini kita berputar di langkah 1–4 berulang kali untuk topik berbeda; langkah 5 (produksi nyata) sekadar diperkenalkan konsepnya.

Alur kerja data science ini akan menjadi kerangka yang berulang di hampir setiap pertemuan. Langkah pertama, kumpulkan data — misalnya mengunduh harga historis saham BBCA dari BEI atau Yahoo Finance. Langkah kedua, bersihkan data itu, karena data mentah hampir selalu punya nilai kosong, tanggal libur bursa, atau angka aneh yang perlu diperbaiki. Langkah ketiga, eksplorasi — kita bikin grafik dan hitung statistik dasar untuk mengenali pola awal sebelum membangun model apa pun. Langkah keempat, baru kita masuk ke pemodelan, melatih algoritma seperti regresi atau random forest dengan data yang sudah bersih. Langkah terakhir, evaluasi seberapa akurat model itu, lalu kalau layak, "deploy" atau dipakai di dunia nyata, misalnya dipasang di sistem trading otomatis sebuah sekuritas. Sepanjang semester, kita akan mengulang siklus satu sampai empat ini berkali-kali dengan topik dan algoritma yang berbeda-beda.

Jenis Data yang Akan Kita Olah

DATA HARGA

TIME SERIES

Harga penutupan harian BBCA, TLKM, GOTO di BEI; volume transaksi; dipakai untuk return & volatilitas.

DATA FUNDAMENTAL

LAPORAN KEUANGAN

ROE, ROA, DER dari laporan tahunan emiten — dipakai untuk klasifikasi kesehatan perusahaan.

DATA TEKS

SENTIMEN

Berita ekonomi, cuitan investor di media sosial — diolah dengan sentiment analysis di Fase 4.

Sebagian besar model ML butuh data rapi & berformat konsisten — inilah alasan langkah "Bersihkan" di slide sebelumnya memakan waktu paling lama (sering >60% waktu proyek nyata).

Sepanjang semester ini kita akan bertemu tiga jenis data finansial utama. Pertama, data harga, yaitu deret waktu seperti harga penutupan harian BBCA, Telkom, atau GoTo di Bursa Efek Indonesia — ini bahan baku utama untuk menghitung return dan volatilitas yang akan kita latih sebentar lagi. Kedua, data fundamental, seperti rasio ROE, ROA, dan DER yang diambil dari laporan keuangan tahunan emiten — ini sering dipakai untuk mengklasifikasikan apakah sebuah perusahaan sehat atau berisiko. Ketiga, data teks atau sentimen, misalnya berita ekonomi dan cuitan investor di media sosial, yang baru kita olah dengan sentiment analysis di fase akhir semester. Satu hal yang perlu Anda tahu sejak awal: di dunia kerja nyata, membersihkan dan merapikan data semacam ini sering memakan lebih dari enam puluh persen waktu sebuah proyek data science — jauh lebih lama daripada proses melatih model itu sendiri.

Hitung dari Nol: Return Harian Saham BBCA

Kasus: harga penutupan BBCA Rp 9.000 (hari 1) menjadi Rp 9.180 (hari 2). Berapa return-nya? Konsep dasar ini dibahas mendalam di materi variabilitas data.

LANGKAH PERHITUNGAN

Langkah	Perhitungan	Nilai
Harga awal ($P_0$)	—	Rp 9.000
Harga akhir ($P_1$)	—	Rp 9.180
Selisih harga	$9{,}180 - 9{,}000$	Rp 180
Return sederhana	$\dfrac{180}{9{,}000}\times 100$	$2{,}00\%$
Return log (ln)	$\ln\!\left(\dfrac{9{,}180}{9{,}000}\right)$	$1{,}98\%$

Rumus simple return: $R_t = \dfrac{P_t - P_{t-1}}{P_{t-1}}$. Rumus log return: $r_t = \ln\!\left(\dfrac{P_t}{P_{t-1}}\right) = \ln(P_t) - \ln(P_{t-1})$.

RETURN HARIAN

$2{,}00\%$

return sederhana (simple return)

Inilah "bahan mentah" ML: model tidak dilatih pada harga mentah, melainkan pada deret return seperti ini.

Return log dipakai karena sifatnya additive antar-periode (bisa dijumlahkan langsung) — berguna saat menggabungkan return banyak hari.

Mari kita hitung bersama, langkah demi langkah, konsep paling fundamental dalam analisis data keuangan: return. Bayangkan harga saham BBCA kemarin ditutup di sembilan ribu rupiah, hari ini ditutup di sembilan ribu seratus delapan puluh rupiah. Pertama kita cari selisihnya, seratus delapan puluh rupiah. Untuk mendapatkan return sederhana, kita bagi selisih itu dengan harga awal, seratus delapan puluh dibagi sembilan ribu, dikali seratus persen, hasilnya dua persen. Selain return sederhana, ada juga return logaritmik yang dihitung dengan logaritma natural dari rasio harga akhir dibagi harga awal, hasilnya satu koma sembilan delapan persen, hampir sama tapi tidak identik. Kenapa kita repot-repot pakai dua jenis return? Karena return log punya sifat matematis yang lebih nyaman ketika kita ingin menjumlahkan return banyak hari berturut-turut, dan sifat inilah yang membuatnya sering dipilih sebagai input untuk model machine learning di bidang keuangan.

Hitung dari Nol: Volatilitas dari 5 Hari Return

Data return harian (5 hari): $+2{,}0\%$ • $-1{,}0\%$ • $+0{,}5\%$ • $+1{,}5\%$ • $-1{,}0\%$. Berapa volatilitasnya? Lihat pula perbandingan ukuran variabilitas.

LANGKAH PERHITUNGAN

Langkah	Perhitungan	Nilai
Rata-rata (mean)	$\dfrac{2-1+0{,}5+1{,}5-1}{5}$	$0{,}40\%$
Jumlah kuadrat deviasi	$\sum (x_i - \bar{x})^{2}$	$7{,}70$
Variansi ($n-1 = 4$)	$\dfrac{7{,}70}{4}$	$1{,}925$
Volatilitas (std dev)	$\sqrt{1{,}925}$	$1{,}39\%$

Rumus variansi sampel: $s^{2} = \dfrac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})^{2}$ — lalu volatilitas $\sigma = \sqrt{s^{2}}$.

VOLATILITAS HARIAN

$\pm 1{,}39\%$

standar deviasi return

Semakin besar angka ini, semakin "liar" pergerakan harga saham — fitur (feature) penting yang sering dipakai model ML untuk menilai risiko.

Volatilitas $\neq$ return negatif. Saham bisa naik terus tapi tetap "volatile" jika kenaikannya tidak stabil dari hari ke hari.

Sekarang kita hitung konsep kedua yang sama pentingnya: volatilitas, yaitu ukuran seberapa liar naik-turunnya sebuah saham. Kita punya lima hari return: naik dua persen, turun satu persen, naik setengah persen, naik satu setengah persen, dan turun satu persen lagi. Langkah pertama, kita hitung rata-ratanya, yaitu jumlah kelima angka itu dibagi lima, hasilnya nol koma empat persen. Langkah kedua, kita hitung seberapa jauh setiap hari menyimpang dari rata-rata itu, kuadratkan setiap penyimpangan, lalu jumlahkan semuanya, hasilnya tujuh koma tujuh. Langkah ketiga, kita bagi dengan empat, bukan lima, karena kita memakai pembagi n dikurangi satu untuk estimasi sampel, hasilnya satu koma sembilan dua lima. Langkah terakhir, kita akar-kuadratkan angka itu untuk kembali ke satuan persen, hasilnya satu koma tiga sembilan persen — inilah volatilitas harian saham kita. Ingat baik-baik, volatilitas mengukur fluktuasi, bukan arah; saham yang naik terus-menerus secara tidak stabil tetap bisa punya volatilitas tinggi.

Konsep Kunci: Train/Test Split & Overfitting

Mengapa model ML tidak boleh dievaluasi dengan data yang sama untuk melatihnya? Ikuti kasus berikut:

Tahap	Apa yang Terjadi
1. Bagi data	3 tahun data harga BBCA dipecah: 80% training set (untuk melatih model), 20% test set (disimpan, tidak disentuh saat melatih)
2. Latih model	Model "belajar" pola hanya dari training set — ia belum pernah melihat test set
3. Uji model	Model diuji pada test set yang belum pernah dilihat — ini simulasi "dunia nyata"
4. Bahaya overfitting	Jika model "menghafal" training set (akurasi 99%) tapi payah di test set (akurasi 51%) — model itu gagal generalisasi, bukan benar-benar pintar

Analogi: siswa yang menghafal soal ujian tahun lalu (training set) belum tentu bisa menjawab soal ujian yang benar-benar baru (test set) — itulah overfitting.

Ini salah satu konsep paling penting yang akan menyelamatkan Anda dari kesalahan fatal sepanjang semester: train-test split. Bayangkan kita punya tiga tahun data harga BBCA. Kita tidak boleh memakai seluruh data itu untuk melatih model, karena nanti kita tidak punya cara jujur untuk menguji apakah model itu benar-benar pintar atau cuma menghafal. Maka kita pecah datanya, misalnya delapan puluh persen untuk melatih model, dua puluh persen sisanya kita simpan rapat-rapat dan baru dipakai saat model sudah jadi, untuk menguji performanya di data yang benar-benar belum pernah dilihat. Bahaya terbesar yang mengintai di sini disebut overfitting, yaitu ketika model terlihat sangat pintar di data latihan, akurasinya bisa sembilan puluh sembilan persen, tapi begitu diuji di data baru performanya jeblok, hanya lima puluh satu persen — seperti melempar koin. Analoginya persis seperti mahasiswa yang menghafal mati-matian soal ujian tahun lalu tanpa memahami konsepnya; begitu soal ujian tahun ini sedikit berbeda, dia langsung kebingungan. Konsep train-test split inilah yang akan terus kita pakai setiap kali membangun model, mulai pertemuan-pertemuan berikutnya.

Bagian 3 dari 3

Setup Praktis — R & Python

Dua alat kerja utama sepanjang semester: mengapa keduanya, cara memasangnya, dan latihan pertama memastikan semua siap sebelum pertemuan 2.

Kenapa Kita Belajar R dan Python?

R + RSTUDIO

STATISTIKA

Dibuat khusus untuk statistik & ekonometrika. Unggul untuk model time series (ARIMA, GARCH) yang akan kita pakai di Fase 2 semester ini.

PYTHON

SERBAGUNA

Bahasa paling populer untuk ML & AI industri (dipakai Google, GoTo, Bank BCA). Unggul untuk machine learning kontemporer di Fase 4.

Bukan kompetisi, saling melengkapi: praktisi keuangan modern umumnya menguasai keduanya — kita akan pakai R untuk statistik/time series, Python untuk ML klasifikasi & clustering.

Anda mungkin bertanya, kenapa harus belajar dua bahasa pemrograman sekaligus, bukannya cukup satu saja? Jawabannya karena keduanya punya keunggulan berbeda yang saling melengkapi di dunia keuangan. R, bersama lingkungan kerjanya RStudio, memang dirancang sejak awal khusus untuk statistika dan ekonometrika, sehingga sangat unggul untuk model time series seperti ARIMA dan GARCH yang akan kita pelajari di fase kedua semester ini. Python di sisi lain adalah bahasa paling populer di industri untuk machine learning dan kecerdasan buatan secara umum — dipakai oleh perusahaan besar seperti Google, GoTo, bahkan tim data science di Bank BCA — dan sangat unggul untuk teknik machine learning kontemporer seperti klasifikasi dan clustering yang akan kita pelajari di fase akhir semester. Jangan khawatir kalau terasa berat belajar dua bahasa sekaligus; praktisi keuangan profesional zaman sekarang memang dituntut menguasai keduanya, dan kita akan mempelajarinya secara bertahap, tidak sekaligus.

Langkah Instalasi: R + RStudio

Ikuti urutan ini di laptop Anda (Windows/Mac) — total sekitar 15 menit:

No.	Langkah	Detail
1	Unduh R	Buka cran.r-project.org → pilih OS Anda → unduh & instal versi terbaru
2	Unduh RStudio	Buka posit.co/download/rstudio-desktop → unduh versi Free/Desktop
3	Instal RStudio	RStudio otomatis mendeteksi R yang sudah terpasang di langkah 1
4	Cek berhasil	Buka RStudio → ketik `print("Halo ML Finance")` di console → tekan Enter

Urutan penting: pasang R (bahasa mesin) sebelum RStudio (IDE/antarmuka editor) — kebalikannya bisa gagal terdeteksi.

Sekarang mari kita pasang alat kerja pertama, R beserta RStudio, langsung di laptop Anda. Ada urutan yang harus diikuti dengan disiplin: pertama, unduh dan instal R sendiri dari situs resmi bernama CRAN — ini adalah "mesin" atau bahasa intinya. Kedua, baru unduh dan instal RStudio dari situs Posit — RStudio ini adalah IDE, singkatan dari integrated development environment, semacam "ruang kerja" yang mempermudah kita menulis dan menjalankan kode R dengan tampilan yang ramah. Ketiga, saat RStudio dibuka pertama kali, dia akan otomatis mendeteksi R yang sudah terpasang di langkah pertama tadi — kalau urutannya dibalik, RStudio bisa gagal menemukan R-nya. Terakhir, untuk memastikan semua berjalan lancar, ketik perintah sederhana di jendela console RStudio dan tekan Enter; jika muncul tulisan "Halo ML Finance", berarti instalasi Anda berhasil sempurna dan siap dipakai pertemuan berikutnya.

Langkah Instalasi: Python (via Anaconda)

Cara termudah untuk pemula: pakai Anaconda (paket lengkap Python + Jupyter Notebook):

No.	Langkah	Detail
1	Unduh Anaconda	Buka anaconda.com/download → pilih OS Anda → unduh installer (±600–900 MB)
2	Instal	Jalankan installer, pilih opsi default, tunggu 10–15 menit
3	Buka Jupyter Notebook	Cari & buka aplikasi Anaconda Navigator → klik Launch pada Jupyter Notebook
4	Cek berhasil	Buat notebook baru → ketik `print("Halo ML Finance")` → jalankan sel (Shift+Enter)

Jupyter Notebook = editor kode interaktif berbasis sel (blok kode kecil yang dijalankan satu-satu) — format standar untuk eksplorasi data di industri.

Alat kerja kedua kita adalah Python, dan cara paling ramah pemula untuk memasangnya adalah lewat Anaconda, yaitu paket instalasi yang sudah menggabungkan Python beserta ratusan pustaka data science populer dan sebuah alat bernama Jupyter Notebook sekaligus. Langkah pertama, unduh installer Anaconda sesuai sistem operasi laptop Anda dari situs resminya, ukurannya cukup besar sekitar enam ratus sampai sembilan ratus megabita jadi pastikan koneksi internet Anda stabil. Kedua, jalankan installer-nya dan cukup pilih opsi bawaan, prosesnya makan waktu sepuluh sampai lima belas menit. Ketiga, setelah selesai, buka aplikasi bernama Anaconda Navigator, lalu klik tombol Launch pada Jupyter Notebook. Jupyter Notebook ini nanti akan menjadi rumah utama kita menulis kode Python — bentuknya berupa sel-sel kecil yang bisa dijalankan satu per satu, sangat cocok untuk eksplorasi data secara bertahap. Terakhir, buat notebook baru, ketik perintah cetak sederhana, lalu jalankan dengan menekan Shift dan Enter bersamaan untuk memastikan semuanya berjalan lancar.

Pustaka (Library/Package) yang Akan Sering Dipakai

tidyverse — olah & visualisasi data
quantmod — unduh data harga saham
forecast — model ARIMA/time series
caret — kerangka kerja ML terpadu

PYTHON

pandas — olah data tabular (mirip Excel)
numpy — komputasi numerik/matriks
scikit-learn — algoritma ML klasik
yfinance — unduh data harga saham global

Library/package = kumpulan kode siap pakai yang ditulis orang lain, sehingga kita tidak perlu menulis ulang fungsi dasar dari nol. Semua akan kita install bertahap sesuai kebutuhan topik.

Baik R maupun Python punya "kotak perkakas" masing-masing yang disebut library atau package — istilahnya kumpulan kode siap pakai yang ditulis dan dibagikan orang lain, sehingga kita tidak perlu menulis ulang fungsi matematika dasar dari nol setiap kali. Di R, kita akan sering memakai tidyverse untuk mengolah dan memvisualisasikan data, quantmod untuk mengunduh data harga saham langsung dari internet, forecast untuk model time series, dan caret sebagai kerangka kerja machine learning terpadu. Di Python, kita akan sering memakai pandas yang cara kerjanya mirip Excel tapi lewat kode, numpy untuk komputasi numerik dan matriks, scikit-learn yang berisi hampir semua algoritma machine learning klasik yang akan kita pelajari, dan yfinance untuk mengunduh data harga saham dari pasar global. Anda tidak perlu menghafal semuanya sekarang; kita akan memasang dan mempelajari masing-masing pustaka ini secara bertahap, tepat saat topiknya relevan dengan materi minggu itu.

Coba Sendiri: Klasifikasi: Termasuk Jenis ML Mana?

Setiap kasus AI keuangan nyata punya jenis pembelajaran berbeda. Seret delapan kasus Indonesia ke keranjang yang tepat — supervised, unsupervised, atau reinforcement — dan lihat pola reasoning-nya.

Coba Sendiri: Overfitting: Kenapa Model 99% Bisa Gagal

Geser kompleksitas model dan amati bagaimana galat latih terus turun sementara galat uji malah naik. Di sinilah inti bahaya overfitting yang kita bahas tadi.

Coba Sendiri: Tiga Jenis ML: Bandingkan Alur Kerjanya

Bandingkan bagaimana data mengalir berbeda di supervised, unsupervised, dan reinforcement. Setiap tab memperlihatkan contoh kasus keuangan Indonesia yang relevan.

Latihan Kelas: Pastikan Instalasi Anda Berhasil

Kerjakan sekarang (10 menit), dengan teman sebangku bila perlu bantuan:

TUGAS 1 — R

Buka RStudio
Ketik: 2 + 2 di console, tekan Enter
Hasilnya harus 4
Ketik: install.packages("tidyverse")

TUGAS 2 — PYTHON

Buka Jupyter Notebook (via Anaconda Navigator)
Buat sel baru, ketik: 2 + 2, jalankan (Shift+Enter)
Hasilnya harus 4

Belum berhasil? Angkat tangan — kita selesaikan bersama sebelum kelas berakhir. Semua wajib siap sebelum Pertemuan 2.

Sekarang giliran Anda praktik langsung, dan saya beri waktu sepuluh menit untuk menyelesaikan dua tugas kecil ini. Untuk R, buka RStudio, ketik dua tambah dua di jendela console, lalu tekan Enter — kalau hasilnya empat, berarti R Anda berfungsi dengan baik; setelah itu, coba jalankan perintah instalasi paket tidyverse yang tadi kita sebutkan, karena kita akan langsung memakainya di pertemuan berikutnya. Untuk Python, buka Jupyter Notebook lewat Anaconda Navigator, buat sel baru, ketik dua tambah dua, lalu jalankan dengan menekan Shift dan Enter bersamaan — hasilnya juga harus empat. Silakan bekerja sama dengan teman sebangku kalau ada yang mengalami kendala instalasi, karena masalah seperti ini biasanya spesifik pada laptop tertentu dan lebih cepat diselesaikan sambil saling membantu. Yang penting, jangan sampai ada yang tertinggal — pastikan semua alat sudah siap sebelum pertemuan kedua, karena kita akan langsung memakainya untuk menghitung statistik dasar return dan volatilitas.

Coba Sendiri: Anatomi Neural Network

Sebelum kita tutup, intip sekilas arsitektur neural network yang akan kita pelajari mendalam di Pertemuan 12. Ubah jumlah lapisan tersembunyi dan amati bagaimana neuron terhubung — fondasi semua model ML modern. Pelajari juga dasar regresi linear sebagai pintu masuk ML.

Buka sebagai halaman penuh

Widget interaktif ini juga tersedia sebagai tool mandiri:

→ Buka tool neural-network-anatomy-explorer

Bacaan pendukung:

Rangkuman & Persiapan Pertemuan 2

RANGKUMAN HARI INI

ML = komputer belajar pola dari data, bukan aturan manual
3 jenis: supervised, unsupervised, reinforcement
Return & volatilitas = fondasi data finansial untuk ML
Train/test split mencegah overfitting
R & Python kini terpasang di laptop Anda

TUGAS SEBELUM P2

PASTIKAN SIAP

Pastikan R, RStudio, Anaconda/Jupyter berjalan lancar. Bawa laptop dalam kondisi siap pakai ke pertemuan berikutnya.

Pertemuan 2: Statistik Dasar Return & Volatilitas — kita perdalam perhitungan hari ini langsung dengan data riil BEI di R/Python.

Mari kita rangkum apa yang sudah kita pelajari hari ini. Kita mulai dari definisi machine learning sebagai cara komputer belajar pola dari data, bukan mengikuti aturan yang ditulis manusia satu per satu. Kita kenali tiga jenis ML — supervised, unsupervised, dan reinforcement — beserta contoh nyatanya di sektor keuangan Indonesia. Kita juga sudah berhitung langsung dua konsep fondasi, yaitu return dan volatilitas, yang akan terus muncul sepanjang semester sebagai bahan baku hampir semua model. Kita pelajari kenapa train-test split penting untuk mencegah overfitting, dan yang paling praktis, kita sudah memasang R beserta RStudio dan Python beserta Jupyter Notebook di laptop masing-masing. Tugas Anda sebelum pertemuan kedua sederhana: pastikan kedua alat ini benar-benar siap dipakai, karena minggu depan kita akan langsung mengunduh data harga saham riil dari Bursa Efek Indonesia dan menghitung return serta volatilitasnya langsung dengan kode, bukan lagi dengan kalkulator manual seperti hari ini. Sampai jumpa di pertemuan berikutnya!