Menguji Pengaruh Indikator Ekonomi terhadap Pergerakan Nilai Tukar: Eksperimen Machine Learning Sederhana

Nilai tukar sering dianggap sebagai salah satu variabel ekonomi yang paling sulit diprediksi. Bukan hanya karena ia sangat fluktuatif, tetapi juga karena pergerakannya dipengaruhi oleh banyak faktor: kebijakan moneter, kondisi global, aktivitas spekulatif, sentimen pasar, hingga peristiwa spontan yang tidak bisa dimasukkan ke dalam model apa pun. Ketika saya mencoba memahami fenomena ini dengan Machine Learning, hasilnya menunjukkan sesuatu yang lebih rumit daripada sekadar hubungan antara indikator fundamental dan harga pasar.

Eksperimen yang saya lakukan menggunakan data harian EUR/USD, kemudian dikombinasikan dengan beberapa indikator ekonomi seperti perubahan M2, inflasi, dan suku bunga. Saya juga menambahkan fitur teknikal seperti return harian, moving average, dan volatilitas jangka pendek. Tujuannya bukan semata-mata membangun model prediktif yang sempurna, tetapi untuk melihat sejauh mana data ekonomi yang bersifat fundamental memiliki kontribusi terhadap dinamika nilai tukar ketika dibaca oleh model pembelajaran mesin.

Hasil eksplorasi awal menunjukkan bahwa pasar valuta asing memiliki karakter yang sangat berbeda dari data ekonomi makro. Ketika nilai tukar dianalisis menggunakan teknik decomposisi seperti STL, terlihat bahwa sebagian besar variasinya berasal dari komponen residual — bagian data yang umumnya dianggap sebagai noise. Artinya, sinyal jangka pendek pada pasangan EUR/USD lebih banyak dipengaruhi oleh kejadian-kejadian yang tidak tersimpan dalam data makro. Sementara tren jangka panjang memang terlihat, tren ini bergerak lambat dan sering ditutupi fluktuasi harian yang brutal.

Pada tahap pemodelan, saya menggunakan tiga pendekatan dasar: regresi linear, pohon keputusan, dan random forest. Ketiganya memiliki gaya membaca data yang berbeda, sehingga kombinasi ini cukup efektif untuk melihat pola hubungan fundamental. Dari sini, muncul satu kesimpulan awal: model semakin sensitif terhadap variabel teknikal dibandingkan indikator ekonomi. Bahkan pada random forest, fitur dengan kontribusi terbesar bukanlah inflasi atau M2, tetapi return hari sebelumnya dan pergerakan moving average. Hal ini mengindikasikan bahwa struktur memori jangka pendek dalam pasar forex jauh lebih dominan daripada faktor ekonomi yang bergerak bulanan.

Meski demikian, bukan berarti variabel ekonomi tidak berpengaruh. Ketika horizon waktu diperluas dan data diperlakukan sebagai rangkaian jangka panjang, pengaruh fundamental mulai muncul, walaupun tidak sekuat yang diharapkan. Perubahan M2, misalnya, terlihat memiliki korelasi terhadap arah tren nilai tukar, tetapi pengaruh tersebut tertunda dan tidak langsung. Dengan kata lain, data fundamental bekerja layaknya arus jangka panjang yang stabil, sementara pasar di permukaan tetap diguncang oleh gelombang volatilitas jangka pendek.

Dari seluruh rangkaian eksperimen ini, saya merangkum beberapa temuan yang cukup menarik:

1. Model Machine Learning sederhana hanya menangkap perubahan nilai tukar jangka pendek jika dipandu oleh indikator teknikal, bukan oleh fundamental makro.
2. Variabel ekonomi menunjukkan pengaruh nyata ketika diamati dalam horizon waktu panjang, bukan harian.
3. Noise dalam data forex terlalu tinggi untuk diprediksi secara deterministik, sehingga model linear maupun non-linear dasar tidak mampu menangkap struktur sebenarnya.

Kesimpulan ini mempertegas bahwa pasar nilai tukar tidak dapat direduksi menjadi hubungan langsung antara “M2 naik = EUR/USD naik” atau “inflasi turun = euro menguat”. Kenyataannya jauh lebih kompleks. Machine Learning memang membantu mengidentifikasi pola, tetapi ia tidak dapat menciptakan keteraturan ketika datanya sendiri tidak memiliki keteraturan yang cukup kuat untuk dipelajari. Untuk prediksi jangka pendek, dibutuhkan model yang lebih kompleks seperti LSTM atau Transformer yang mampu memahami dinamika sekuensial. Namun bahkan model-model tersebut pun memiliki keterbatasan ketika berhadapan dengan gejolak geopolitik dan sentimen pasar.

At the end of the day, eksperimen ini bukan hanya tentang akurasi prediksi, tapi lebih dari itu. Eksperimen ini tentang memahami sifat pasar itu sendiri. Indikator ekonomi tetap penting, tetapi perannya bukan sebagai penentu tunggal. Ia bekerja bersama ribuan variabel lain yang tak terekam dalam dataset. Machine Learning dapat menjadi alat yang kuat, tetapi kekuatannya tergantung pada kualitas dan struktur data yang dimasukkan ke dalamnya. Pasar forex adalah salah satu ruang di mana ketidakpastian bukanlah gangguan — tetapi bagian dari identitasnya sendiri.