Dua Tradisi dalam Peramalan: Pasar vs Pembelajaran Mesin

Peramalan telah berkembang melalui dua jalur yang kuat: pasar prediksi yang menghimpun keyakinan manusia secara waktu nyata, dan model statistik yang belajar dari data historis. Langkah selanjutnya bukanlah memilih salah satu di antaranya, melainkan menggabungkan keduanya menjadi sistem pengambilan keputusan yang lebih tangguh.

Ada dua tradisi yang sangat berbeda dalam peramalan.

1) Tradisi pasar: harga sebagai probabilitas

Salah satunya berasal dari pasar. Dalam pasar prediksi, harga bergerak saat orang-orang mempertaruhkan uang berdasarkan keyakinan mereka. Jika sebuah kontrak diperdagangkan pada angka 0,63, khalayak secara efektif mengatakan bahwa ada peluang sebesar 63% untuk hasil tersebut.

Ide ini bukanlah hal baru. Pada abad ke-19, warga Amerika sudah bertaruh besar-besaran pada hasil pemilu—terkadang dengan likuiditas yang lebih tinggi daripada jajak pendapat awal. Pada akhir 1980-an, Iowa Electronic Markets menunjukkan bahwa pasar kecil yang terstruktur dengan baik dapat mengungguli jajak pendapat tradisional. Baru-baru ini, platform seperti Polymarket telah menduniakan model tersebut dengan perdagangan daring waktu nyata.

Dan dalam beberapa kasus baru-baru ini, pasar-pasar ini sangat akurat. Selama pemilu AS tahun 2020, pasar prediksi menyesuaikan diri dengan pergeseran probabilitas lebih cepat daripada banyak jajak pendapat publik. Pada tahun 2022, pasar dengan cepat memperhitungkan kemungkinan kenaikan suku bunga bank sentral utama jauh sebelum pengumuman resmi. Pada tahun 2024, pasar berbasis kripto bereaksi dalam hitungan menit terhadap rumor pengunduran diri politik dan sinyal peristiwa korporasi, sering kali mengerucut pada hasil akhir mendahului komentar arus utama. Dalam lingkungan yang bergerak cepat dan sensitif terhadap informasi, harga menyerap sinyal-sinyal baru hampir secara instan.

2) Tradisi sains data: model sebagai pengekstrak pola

Tradisi lainnya berasal dari statistika dan pembelajaran mesin. Di sini, ramalan dibangun dari data historis: model deret waktu, regresi, gradient boosting, dan jaringan saraf. Alih-alih bertanya kepada orang-orang tentang apa yang mereka yakini, model ini mengekstrak pola dari apa yang telah terjadi.

Pasar cenderung unggul ketika informasi tersebar di banyak individu dan ketika pertanyaannya bersifat biner atau didorong oleh peristiwa. Sains data unggul ketika ada struktur historis yang mendalam untuk dipelajari—seperti pendapatan, permintaan, dan metrik operasional.

Bukan pengganti — pelengkap

Keduanya bukan merupakan pengganti satu sama lain.

Yang satu mengagregasi informasi manusia secara waktu nyata. Yang lainnya mengekstrak keteraturan statistik dari data.

Tantangan menarik berikutnya bukanlah memilih di antara keduanya, melainkan menggabungkan kedua sinyal tersebut ke dalam satu sistem peramalan tunggal.

Harap dicatat bahwa versi bahasa Indonesia didukung oleh AI dan karena itu mungkin terjadi kesalahan kecil.

Penulis

Ai Base Network (ABN), ABN ASIA didirikan oleh orang-orang dengan akar yang kuat di dunia akademis, dengan pengalaman kerja di Amerika Serikat, Belanda, Hungaria, Jepang, Korea Selatan, Singapura, dan Vietnam. ABN Asia adalah tempat di mana akademik dan teknologi bertemu dengan peluang. Dengan solusi terdepan kami dan layanan pengembangan perangkat lunak yang kompeten, kami membantu bisnis untuk meningkatkan level dan bersaing di panggung global. Komitmen kami: Lebih Cepat. Lebih Baik. Lebih handal. Dalam kebanyakan kasus: Lebih murah juga.

Jangan ragu untuk menghubungi kami jika Anda membutuhkan layanan IT, konsultasi digital, solusi perangkat lunak siap pakai, atau jika Anda ingin mengirimkan permintaan proposal (RFP). Anda dapat menghubungi kami di [email protected]. Kami siap membantu Anda dengan semua kebutuhan teknologi Anda.