Dalam kondisi ekonomi yang dinamis dan ketidakpastian ekonomi global, memahami dinamika pasar saham menjadi semakin penting bagi investor dan pembuat kebijakan. Konflik geopolitik, perubahan kebijakan moneter, dan volatilitas pasar global dapat memengaruhi pergerakan harga saham secara signifikan. Pasar saham merupakan indikator utama yang mencerminkan kondisi ekonomi suatu negara.
Dalam konteks ASEAN, yang terdiri dari berbagai ekonomi dengan karakteristik unik, memahami pola pergerakan saham menjadi tantangan tersendiri. Oleh karena itu, strategi untuk mengelompokkan saham berdasarkan pola pergerakan waktunya menjadi krusial dalam mengambil keputusan investasi dan kebijakan ekonomi yang lebih akurat. Studi terbaru kolaborasi dari 51动漫 dan INTI International University, menggunakan pendekatan Time Series Clustering berbasis metode non-hierarki untuk mengelompokkan saham di ASEAN.
Penelitian ini bertujuan untuk menganalisis pola pergerakan saham di ASEAN guna mendukung perencanaan ekonomi berkelanjutan dan meningkatkan stabilitas pasar. Dengan menggunakan metode K-Means dan K-Medoids, penelitian ini berhasil mengelompokkan saham berdasarkan karakteristik temporalnya, sehingga memberikan wawasan lebih dalam tentang stabilitas harga dan volatilitas saham di berbagai sektor ekonomi ASEAN.
Penelitian ini menggunakan data dari 18 saham dari berbagai bursa di ASEAN selama periode 10 tahun. Data tersebut diproses melalui beberapa tahapan, yaitu normalisasi menggunakan metode Min-Max untuk menyelaraskan skala data, lalu dilakukan Principal Component Analysis (PCA) guna mengurangi dimensi data sehingga clustering dapat lebih efektif. Setelah itu, clustering dilakukan menggunakan metode K-Means dan K-Medoids guna mengidentifikasi pola pergerakan saham yang serupa.
Hasil penelitian menunjukkan bahwa metode K-Means lebih unggul dibandingkan K-Medoids dalam mengelompokkan saham dengan Sillhouette Coefficient sebesar 0,63362, dibandingkan dengan 0,37133 pada K-Medoids. K-Means berhasil mengidentifikasi tujuh cluster saham, yang masing-masing menunjukkan pola pergerakan harga yang serupa.
Temuan ini memiliki implikasi yang luas bagi investor, regulator, dan akademisi. Investor dapat memanfaatkan hasil clustering ini untuk membangun portofolio yang lebih stabil dan mengelola risiko dengan lebih baik. Sementara itu, regulator dapat menggunakannya untuk mengidentifikasi sektor yang lebih stabil dan merancang kebijakan yang lebih adaptif terhadap volatilitas pasar. Akademisi dan analis keuangan juga dapat menggunakan metode ini untuk mengembangkan model prediksi berbasis machine learning guna meningkatkan pemahaman pasar saham ASEAN.
Sebagai rekomendasi lanjutan, penelitian ini menekankan perlunya pengembangan sistem pemantauan pasar saham real-time berbasis clustering. Dengan integrasi teknologi big data dan machine learning, sistem ini dapat membantu investor dan pembuat kebijakan mengantisipasi pergerakan pasar dengan lebih presisi, serta mendukung stabilitas ekonomi di ASEAN.
Penelitian ini menegaskan bahwa pendekatan Time Series Clustering berbasis Metode K-Means dan K-Medoids dapat memberikan wawasan yang lebih dalam mengenai pola pergerakan saham di ASEAN. Dengan temuan ini, investor dan regulator dapat lebih memahami dinamika pasar, mengelola risiko, dan merancang strategi investasi yang lebih efektif. Integrasi dengan teknologi Artificial Intelligence (AI) dan Machine Learning juga akan semakin meningkatkan kualitas prediksi pasar, menciptakan sistem keuangan yang lebih stabil dan berkelanjutan di ASEAN untuk kedepannya.
Hasil dari penelitian ini telah dipublikasikan dalam Data and Metadata, jurnal terindeks Scopus Q3. Penelitian ini menjadi langkah maju bagi pengembangan model analisis pasar yang lebih adaptif dalam menghadapi tantangan ekonomi masa kini. Dengan memperkuat pemahaman tentang pola pergerakan saham di ASEAN, penelitian ini memberikan sumbangsih nyata dalam mendukung stabilitas ekonomi dan daya saing pasar modal di tingkat global.
Penulis: M. Fariz Fadillah Mardianto, S.Si.,M.Si.
Link Publikasi:
