Penerapan machine learning (ML) dalam peramalan keuangan semakin luas seiring meningkatnya kebutuhan akan proyeksi yang lebih akurat dan responsif terhadap dinamika pasar. Berbeda dengan model regresi linier tradisional yang mengasumsikan hubungan linier dan sering kali mengandalkan sedikit variabel penjelas, algoritma ML mampu menangkap pola non‑linier dan interaksi kompleks antar variabel dalam dataset keuangan yang besar (Berrar, 2019; Makridakis et al., 2018). Sejumlah studi menunjukkan bahwa model ML dapat meningkatkan akurasi peramalan sekitar 20–40% dibanding pendekatan statistik klasik, tergantung pada konteks, horizon, dan kualitas data yang digunakan (Makridakis et al., 2018; Petropoulos et al., 2022). Dalam praktik korporasi, peningkatan akurasi ini diterjemahkan ke dalam keputusan yang lebih tepat terkait likuiditas, investasi, dan manajemen risiko, misalnya dalam menentukan kebutuhan kas jangka pendek, kapasitas produksi, atau pengadaan bahan baku secara lebih presisi.

Berbagai algoritma ML digunakan untuk kebutuhan peramalan keuangan, masing‑masing dengan kekuatan tertentu. Random Forest dan XGBoost (Extreme Gradient Boosting) merupakan model ensemble yang efektif untuk memodelkan hubungan non‑linier dan interaksi variabel, sering digunakan untuk memprediksi penjualan, biaya, atau probabilitas default karena kemampuannya menangani banyak fitur dan memberikan pentingnya variabel (feature importance) (Chen & Guestrin, 2016; Berrar, 2019). Untuk data deret waktu, jaringan saraf berulang seperti Long Short‑Term Memory (LSTM) unggul dalam menangkap ketergantungan jangka panjang dan pola sekuensial, misalnya tren dan pola musiman yang tidak stabil pada arus kas harian atau mingguan (Fischer & Krauss, 2018). Sementara itu, Prophet, kerangka kerja peramalan yang dikembangkan untuk menangani data bisnis dengan pola tren dan musiman yang kuat, banyak digunakan praktisi karena relatif mudah digunakan dan cukup andal dalam mengurai tren, musiman, dan holiday effects (Taylor & Letham, 2018). Kombinasi model—misalnya menggabungkan Prophet untuk komponen musiman dan XGBoost atau LSTM untuk komponen residu—sering menghasilkan kinerja yang lebih baik lagi dalam pengaturan dunia nyata (Makridakis et al., 2018; Petropoulos et al., 2022).

Salah satu aplikasi terpenting ML di bidang ini adalah peramalan arus kas, di mana input dapat mencakup histori arus kas 3–5 tahun, pola musiman (misalnya siklus bulanan atau musiman industri), indikator makroekonomi, data operasional (seperti pesanan penjualan, data tagihan dan penagihan), serta variabel lemah seperti indeks sentimen atau harga komoditas (Makridakis et al., 2018; Petropoulos et al., 2022). Model kemudian menghasilkan proyeksi posisi kas harian atau mingguan beserta rentang ketidakpastian, yang sangat berguna untuk manajemen likuiditas, penempatan kas, dan penentuan kebutuhan fasilitas kredit. Namun, performa kuat ML sangat bergantung pada kualitas dan panjang data; mayoritas literatur menyarankan ketersediaan data historis minimal

3–5 tahun dengan pembersihan yang memadai, penanganan outlier, dan konsistensi definisi akun untuk menghindari garbage in, garbage out (Fischer & Krauss, 2018; Berrar, 2019). Selain itu, organisasi perlu memastikan tata kelola model (model governance) yang baik—meliputi dokumentasi, pemantauan kinerja, dan backtesting berkala—agar peramalan berbasis ML tidak hanya akurat, tetapi juga dapat dipertanggungjawabkan dan selaras dengan kerangka manajemen risiko perusahaan.

 

Referensi:

  • Berrar, D. (2019). Cross-validation. In M. R. Dubitzky, O. Wolkenhauer, K.-H. Cho, & H. Yokota (Eds.), Encyclopedia of systems biology (pp. 1–7). Springer.
  • Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785–794). ACM.
  • Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669.
  • Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), e0194889.
  • Petropoulos, F., Svetunkov, I., & Spiliotis, E. (2022). On the combination of statistical and machine learning forecasts. International Journal of Production Research, 60(5), 1554–1571.
  • Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45.