Z-Score: Deteksi Outlier Harga, Anomali Pasar Modal 2026

Memahami Z-Score dan Outlier dalam Analisis Pasar Modal

Dalam analisis pasar modal, seringkali kita perlu mengidentifikasi kejadian-kejadian tidak biasa atau anomali, yang dikenal sebagai outlier. Salah satu alat statistik yang umum digunakan untuk mendeteksi outlier adalah Z-score. Z-score membantu kita menentukan seberapa jauh suatu titik data dari rata-rata (mean) dalam suatu dataset.

Secara sederhana, Z-score mengukur berapa banyak standar deviasi suatu titik data berada di atas atau di bawah rata-rata. Nilai Z-score yang tinggi (positif atau negatif) menunjukkan bahwa titik data tersebut jauh dari nilai rata-rata dan mungkin merupakan outlier.

Cara Menghitung dan Membaca Z-Score

Rumus untuk menghitung Z-score adalah:

Z = (X - μ) / σ

Dimana:

• X adalah nilai data yang ingin dihitung Z-score-nya.
• μ adalah rata-rata (mean) dari dataset.
• σ adalah standar deviasi dari dataset.

Contoh:

Misalkan kita memiliki data harga saham sebuah perusahaan selama 10 hari terakhir. Untuk menyederhanakan, kita representasikan dalam tabel berikut:

Untuk menghitung Z-score untuk hari ke-10, kita perlu menghitung rata-rata (μ) dan standar deviasi (σ) dari data harga saham ini. Misalkan setelah dihitung, kita mendapatkan:

μ = 1270

σ = 300

Maka, Z-score untuk hari ke-10 adalah:

Z = (2000 - 1270) / 300 = 2.43

Secara umum, nilai Z-score lebih dari 3 atau kurang dari -3 sering dianggap sebagai outlier. Dalam contoh ini, dengan Z-score 2.43, harga saham pada hari ke-10 mungkin perlu diperhatikan lebih lanjut, meskipun belum tentu dikategorikan sebagai outlier ekstrem berdasarkan aturan 3 standar deviasi.

Aplikasi Z-Score dalam Sistem Algoritma Trading

Z-score dapat diimplementasikan dalam sistem algoritma trading untuk mengidentifikasi potensi peluang atau risiko. Misalnya:

• Deteksi Anomali Harga: Algoritma dapat diprogram untuk memantau Z-score harga saham secara real-time. Jika Z-score melebihi ambang batas tertentu (misalnya, 3 atau -3), sistem dapat memberikan peringatan kepada investor atau bahkan secara otomatis melakukan penyesuaian posisi.
• Filter Data: Z-score dapat digunakan untuk memfilter data historis sebelum digunakan dalam pelatihan model machine learning. Menghapus outlier dapat membantu meningkatkan akurasi model.
• Identifikasi Overreaction Pasar: Behavioral Z-score dapat digunakan untuk mengukur tingkat ekstremitas perilaku pasar terhadap rata-rata historisnya. Ini dapat membantu mengidentifikasi potensi overreaction pasar terhadap suatu peristiwa.

Limitasi Data dan Asumsi Z-Score

Z-score memiliki beberapa limitasi yang perlu diperhatikan:

• Asumsi Distribusi Normal: Z-score paling efektif ketika data mengikuti distribusi normal. Jika data tidak terdistribusi normal, Z-score mungkin tidak akurat dalam mengidentifikasi outlier. Dalam kasus data yang tidak normal, metode lain seperti IQR (Interquartile Range) atau metode berbasis machine learning mungkin lebih tepat.
• Sensitivitas terhadap Outlier: Z-score sendiri dapat dipengaruhi oleh keberadaan outlier. Outlier ekstrem dapat memengaruhi nilai rata-rata dan standar deviasi, yang pada gilirannya dapat memengaruhi nilai Z-score dari titik data lainnya.
• Look-Ahead Bias: Dalam implementasi sistem trading, penting untuk menghindari look-ahead bias. Z-score harus dihitung hanya menggunakan data historis yang tersedia pada saat itu, bukan data masa depan.

Risiko Salah Interpretasi Data

Salah interpretasi Z-score dapat menyebabkan keputusan investasi yang buruk. Beberapa risiko yang perlu diwaspadai:

• Menganggap Outlier sebagai Sinyal Pasti: Outlier yang terdeteksi oleh Z-score tidak selalu merupakan sinyal beli atau jual yang pasti. Perlu dilakukan analisis lebih lanjut untuk memahami penyebab outlier dan potensi dampaknya.
• Mengabaikan Konteks: Z-score hanya memberikan informasi statistik tentang seberapa jauh suatu titik data dari rata-rata. Penting untuk mempertimbangkan konteks pasar dan faktor-faktor lain yang dapat memengaruhi harga saham.
• Overfitting: Mengoptimalkan parameter sistem trading berdasarkan data historis dengan Z-score dapat menyebabkan overfitting. Sistem mungkin bekerja dengan baik pada data historis, tetapi buruk pada data baru.

Penting untuk diingat: Informasi ini disediakan hanya untuk tujuan pendidikan dan bukan merupakan rekomendasi investasi. Pasar modal memiliki risiko inheren, dan kinerja masa lalu tidak menjamin kinerja masa depan. Korelasi antar variabel dapat berubah seiring waktu, dan analisis statistik harus digunakan dengan hati-hati dan dalam konteks yang lebih luas.