Posisi alur 14: P4 (PT) → P5 (heuristik) → P6 (overconfidence) → P7 (System 1/2). Heuristik adalah jalur cepat System 1 yang sering keliru.
Sistem 1 vs Sistem 2: Konteks Heuristik
Kahneman 2011 (Thinking Fast and Slow): manusia punya dua sistem berpikir. Sistem 1 (cepat, intuitif, heuristik) dan Sistem 2 (lambat, analitis, statistikal). Heuristik hari ini = operasi Sistem 1.
Mayoritas keputusan investasi BEI dibuat dengan Sistem 1 — reaksi cepat pada berita, saran teman, atau harga bergerak. Inilah mengapa heuristik sangat penting untuk dipahami.
Bagian 1 · 1/4
Representativeness Heuristic
Diskusi: Anda melihat startup pitch “seperti Gojek awal”. Apakah pitch ini menjanjikan? Jangan terjebak representativeness — evaluasi base rate startup teknologi Indonesia yang gagal (~95%).
Definisi Representativeness Heuristic
Representativeness heuristic (Kahneman-Tversky 1974): probabilitas suatu objek/event dinilai berdasarkan seberapa mirip objek/event tersebut dengan stereotip/prototype — bukan berdasarkan base rate statistik.
Pemicu
Kemiripan permukaan dengan kasus familiar
Akibat
Mengabaikan base rate, sample size, regression to mean
Aplikasi finansial
Saham IPO “like X”; CEO “charismatic like Steve Jobs”
Klien melihat startup “seperti Tesla” → overoptimistic. Realitas: base rate startup EV ~99% gagal.
Conjunction Fallacy: Linda Problem
Kahneman-Tversky 1982: problem Linda adalah demonstrasi klasik bahwa representativeness melanggar aturan probabilitas dasar (P(A∩B) ≤ P(A)).
Problem: Linda adalah wanita 31 tahun, single, lulus filsafat, aktif isu diskriminasi. Mana lebih mungkin: (A) Linda adalah bank teller, atau (B) Linda adalah bank teller DAN aktif di gerakan feminis? Jawaban benar (A), tetapi 85% responden memilih (B) — karena B lebih “representative” dengan deskripsi.
Probabilitas matematis
P(B) ≤ P(A)
P(A∩B) selalu ≤ P(A) — aturan dasar probabilitas
Responden salah
~85%
Pilih B karena “terasa lebih mungkin” dengan deskripsi Linda
Aplikasi BEI: investor menilai saham “XYZ adalah blue chip DAN akan naik 50%” lebih mungkin daripada “XYZ akan naik 50%” sendiri — yang melanggar matematika.
Base-Rate Neglect dalam Keputusan Investasi
Investor cenderung mengabaikan base rate (frekuensi dasar) ketika diberi informasi spesifik. Akibatnya: overoptimistic pada saham dengan cerita menarik, underweight risiko umum.
Keputusan
Base rate yang diabaikan
Akibat
Beli IPO tech
~80% IPO tech BEI di bawah harga IPO dalam 2 tahun
Overpay di IPO
Beli saham gorengan
~90% gorengan “collapse” setelah 6 bulan
Kerugian besar
Investasi startup
~95% startup gagal dalam 5 tahun
Konsentrasi pada 1-2 startup
Cut loss saham rugi
~60% saham rugi 30%+ tidak pulih dalam 3 tahun
Disposition effect
Strategi mitigasi: selalu tanyakan “berapa base rate untuk kategori ini?” sebelum evaluasi spesifik. Ini disebut “outside view” vs “inside view” (Kahneman-Lovallo 1993).
Bagian 2 · 2/4
Availability Heuristic & Media
Diskusi: Anda melihat berita besar tentang hack kripto senilai Rp 1 triliun. Apakah Anda akan menjual kripto Anda? Availability heuristic membuat kita overweight risiko yang baru-baru ini terjadi atau dipublikasi.
Availability Heuristic dalam Konteks Investasi
Tversky-Kahneman 1974: probabilitas dinilai berdasarkan kemudahan recall contoh. Berita media, pengalaman pribadi, dan recency effect memperkuat bias ini.
Sumber bias
Media coverage: fraud GOTO/EMTK berita besar → semua tech dianggap berisiko
Pengalaman pribadi: pernah rugi di saham A → semua saham sektor dianggap “gorengan”
Recency: 3 bulan terakhir IHSG turun → “pasar berisiko tinggi”
Vividness: cerita detil lebih mudah recall → overestimate
Akibat pada BEI
Overreact pada berita bearish; underreact pada data fundamental positif
Terkonsentrasi pada sektor “popular” (tech 2021, nikel 2022)
Strategi: evaluasi risiko dengan data historis 10-tahun (mis. drawdown max IHSG), bukan berita 3 bulan terakhir.
Eksplorasi Interaktif: Quiz Bias Keputusan
Quiz interaktif ini menguji kecenderungan bias kognitif Anda dalam keputusan finansial — representativeness, availability, loss aversion, overconfidence, dan anchoring.
Anchoring: Target Price Analis
Anchoring: manusia cenderung melekat pada angka awal (anchor) bahkan jika jelas acak. Dalam finansial, harga beli, harga historis, dan target price menjadi anchor yang mengaburkan penilaian.
Eksperimen klasik
Tversky-Kahneman 1974: spin wheel acak (1-100), lalu tanya “% negara Afrika di PBB?”
Target price analis Rp 10.000 → investor menganggap “wajar” walau fundamental Rp 7.000
Harga IPO Rp 338 → anchor untuk valuation GoTo
Harga ATH historis Rp 9.000 → “discount” jika sekarang Rp 7.500
Mitigasi: hitung intrinsic value dari nol sebelum melihat target price atau harga historis. Bandingkan setelah independent valuation.
Bagian 3 · 3/4
Sintesis Bias & Aplikasi BEI
Diskusi: Gabungkan representativeness + availability + anchoring. Bagaimana ketiganya bekerja bersama untuk menciptakan bubble saham gorengan di BEI?
Sintesis: Anatomy Bubble Gorengan BEI
Bubble saham gorengan (MYRP 2018, MDLA 2022, dll.) bukan satu bias — melainkan interaksi tiga heuristik + loss aversion + herding.
Fase bubble
Bias dominan
Mekanisme
1. Awal (spark)
Representativeness
Investor lihat pola “sama dengan X yang naik” → masuk awal
2. Akselerasi
Availability + media
Berita “siapa untung 5×” → FOMO → lebih banyak pembeli
3. Puncak
Anchoring
Harga ATH jadi anchor; orang pikir “discount” saat turun ringan
4. Crash
Loss aversion
Investor tahan rugi; baru jual setelah turun 70%+
5. Herding
Seluruh fase
Validasi sosial: “semua orang di grup juga beli”
Pelajaran: bubble tidak bisa diprediksi timing, tetapi bisa dideteksi struktur (kombinasi tiga heuristik). Sebagai analis, jangan berpartisipasi — atau jika terlanjur, exit lebih awal.
Bayesian Updating: Penangkal Bias
Bayesian updating adalah strategi mitigasi utama untuk base-rate neglect dan representativeness. Mulai dari prior (base rate), update dengan likelihood bukti baru.
Likelihood bukti: CEO mantan Gojek + funding USD 50jt
Posterior: prior naik ke ~35-40% (modifikasi, bukan hapus)
Bukan: langsung ke 80% (representativeness)
Praktik Bayesian
Selalu mulai dari base rate kategori
Identifikasi bukti spesifik (CEO, funding, tim)
Estimasi seberapa kuat bukti mengubah prior
Jangan pernah hapus base rate
Bayesian thinking adalah penangkal utama. Tidak intuitif — perlu latihan. Mulai checklist: “Base rate? Bukti spesifik? Update berapa?”
Hitung dari Nol: Update Probabilitas Startup
Skenario: Anda evaluasi startup fintech. Base rate survival 5 tahun ~5%. Startup ini punya CEO ex-Gojek senior, funding Series B USD 30 juta, regulatory license OJK lengkap. Update probabilitas dengan Bayesian.
Langkah
Perhitungan
Nilai
1. Prior P(survive)
Base rate startup fintech
5%
2. Likelihood evidence
CEO ex-Gojek + USD 30jt + license
~3× base rate (kuat)
3. Posterior (Bayesian)
P(survive|evidence) ≈ 5% × 3 / normalization
~13,6%
4. Posterior (representativeness)
“Sama dengan Gojek awal” → estimate
~70% (overoptimistic)
5. Selisih estimasi
70% − 13,6%
~56 pp — overoptimistic
6. Expected value investasi
13,6% × gain 10× + 86,4% × loss 1×
EV ≈ +0,5× (positif tipis)
Insight
EV ≈ +0,5×
Positif tipis — layak jika portofolio diversifikasi 20+ startup. Negatif jika konsentrasi <5 startup.
Bagian 4 · 4/4
Mitigasi & Jembatan ke P6
Diskusi: heuristik hari ini menjelaskan banyak kesalahan estimasi risiko. Pertemuan 6 akan kupas overconfidence: mengapa manusia (termasuk manajer) sistematis terlalu yakin pada judgment mereka sendiri.
Kasus BEI Integratif: BUKA IPO & Tiga Heuristik
IPO Bukalapak (BUKA) Agustus 2021 — Rp 850, melonjak ke Rp 1.850 hari pertama (+118%), lalu turun ke ~Rp 250-300 (2024). Anatomy: ketiga heuristik bekerja.
Harga IPO BUKA
Rp 850
Agustus 2021 — valuasi ~USD 15 miliar, terbesar IPO BEI saat itu
Harga 2024
~Rp 250
Penurunan ~70% dari IPO; ~85% dari ATH (dihedge)
Tiga heuristik: (1) Representativeness — “BUKA like Amazon/Shopee awal”. (2) Availability — media hype IPO terbesar 2021, semua bicara. (3) Anchoring — harga IPO Rp 850 jadi anchor; investor pikir “discount” saat turun ke Rp 700.
Checklist Mitigasi Bias Kognitif
Praktik konkret untuk mengurangi dampak heuristik pada keputusan investasi Anda dan klien.
Untuk Representativeness
Tanya: “Base rate kategori ini berapa?” Mulai dari outside view
Untuk Availability
Gunakan data 10-20 tahun, bukan recency. Hindari news-driven decision
Untuk Anchoring
Independent valuation sebelum lihat target price/konsensus
Untuk Loss Aversion
Predefined stop-loss; fresh eyes test; evaluasi jangka panjang
Untuk Overconfidence
Buat decision journal; track hit rate prediksi; cari disconfirming evidence
Untuk Herding
Evaluasi mandiri sebelum lihat konsensus; contrarian checklist
Pelajaran: tidak ada yang “selalu rasional”. Tujuan: menjadi sadar (metacognition) sehingga bisa mengaktifkan Sistem 2 untuk keputusan penting.
Regression to Mean & Sample Size
Dua aturan statistik yang sering dilanggar karena representativeness: regression to mean (pola ekstrem cenderung kembali ke rata-rata) dan sample size (sampel kecil tidak representatif).
Regression to mean
Saham yang +50% dalam 1 bulan cenderung mean-revert dalam 3-6 bulan
Manajer top-performer 1 tahun biasanya median tahun berikutnya
Investor melihat ekstrem → menganggap “tren” (salah)
Sample size
3 menang beruntun bukan “hot hand” — kemungkinan random
Track record 1 tahun manajer reksa dana tidak reliable
Butuh minimum 5-10 tahun untuk evaluasi keahlian
Aplikasi: jangan ekstrapolasi 3 bulan performa saham/manajer ke masa depan. Uji track record minimum 5 tahun sebelum menilai keahlian.
Akar overoptimistic pada kasus “menarik”; penangkal = Bayesian updating
Sintesis Bubble
Tiga heuristik + loss aversion + herding = anatomy bubble gorengan
Heuristik tidak bisa dihilangkan — tetapi bisa dimitigasi dengan Bayesian thinking dan checklist Sistem 2.
Persiapan P6: baca Barber-Odean (2001) “Boys Will Be Boys” tentang overtrading; bawa satu prediksi investasi Anda yang salah — kita akan analisis dengan lensa overconfidence (miscalibration, better-than-average, overtrading).