Underfitting pada Prediksi Harga Kripto: Definisi, Contoh, dan Cara Mengatasinya

Pernah merasa model prediksi kamu “nggak nangkep” dinamika harga kripto—hasilnya datar, terlambat merespons, dan akurasinya sama saja antara data latih maupun uji? Itu tanda klasik underfitting. 

Artikel ini membahas pengertiannya, kenapa terjadi, contoh nyata di model prediksi harga kripto, dan strategi praktis untuk memperbaikinya, dengan fokus pada kualitas prediksi yang relevan untuk keputusan trading dan manajemen risiko. 

Konsep underfitting sendiri adalah pengetahuan dasar di machine learning model terlalu sederhana sehingga gagal menangkap pola penting, biasanya ditandai bias tinggi dan performa buruk di data latih maupun uji. 

Apa Itu Underfitting?

Underfitting terjadi ketika model tidak cukup kompleks untuk memodelkan hubungan antara fitur dan target. Ia “melewatkan” struktur data yang penting, sehingga error di data latih sudah tinggi, dan—tidak mengejutkan—error di validasi atau test juga tetap tinggi. 

Dalam bahasa sederhana: model belum belajar cukup. Ini sering muncul jika fitur terlalu sedikit, model terlalu kaku (misalnya linear ketika pola aslinya non-linear), regularisasi kebablasan, atau waktu pelatihan terlalu singkat. Intinya, model ber-bias tinggi dan cenderung membuat asumsi berlebihan yang tidak sesuai dengan realitas pasar kripto yang dinamis. 

Mengapa Underfitting Terjadi?

Ada beberapa penyebab umum. Pertama, pemilihan model yang terlalu sederhana—misalnya regresi linear tunggal untuk pola harga yang jelas non-linear. Kedua, fitur tidak representatif: kamu hanya memasukkan harga penutupan, padahal volatilitas, volume, order book imbalance, dan sentimen pasar sering menjadi pemicu pergerakan. 

Ketiga, regularisasi berlebihan (L1/L2 besar) yang menekan koefisien hingga mendekati nol, membuat model nyaris “bisu”. Keempat, pelatihan terlalu sebentar atau learning rate terlalu kecil sehingga model belum mencapai kapasitas belajarnya. 

Kombinasi faktor-faktor ini membuat kurva pembelajaran (learning curve) menampilkan error latih dan validasi yang sama-sama tinggi dan cenderung sejajar.

Tanda-Tanda Underfitting pada Prediksi Harga Kripto

Indikator paling mudah: metrik error (MAE/MAPE/RMSE) tinggi baik di data latih maupun uji. Akurasi arah (up/down) juga tidak jauh dari acak. Jika kamu memplot learning curve, penurunan error cepat melambat di level tinggi lalu stagnan—bahkan saat kamu menambah data atau epoch.

Selain itu, sensitivitas model terhadap perubahan fitur juga rendah: menambahkan informasi baru tidak banyak mengubah prediksi, seolah-olah model tidak “peduli” pada sinyal pasar.

Contoh Underfitting di Model Prediksi Harga Kripto

Bayangkan kamu ingin memprediksi harga penutupan BTC harian dengan model regresi linear sederhana yang hanya memakai dua fitur: harga penutupan kemarin (lag-1) dan rata-rata bergerak 3 hari (MA-3). Hasilnya?

Model tampak “lurus” dan sering meleset saat pasar bergerak cepat. MAE di training misalnya 450, dan di test 470—dua-duanya tinggi. Tambahan epoch tidak menolong karena kapasitas model terbatas, dan regularisasi default malah menekan koefisien lebih jauh. 

Ketika volatilitas melonjak (misalnya saat rilis data makro atau berita listing besar), prediksi cenderung terlambat—model seperti berlari mengejar bayangan harga, bukan memprediksinya.

Contoh ini menunjukkan dua poin penting: (1) fitur yang terlalu sedikit tidak merepresentasikan mekanika pasar kripto, dan (2) bentuk hubungan yang diasumsikan linear tidak mampu menangkap interaksi non-linear antar variabel (misalnya, efek volume yang bergantung pada konteks tren dan volatilitas).

Dampak Underfitting pada Strategi Trading

Underfitting membuat sinyal entry/exit menjadi tumpul. Prediksi harga yang “datar” cenderung terlambat, menghasilkan win rate rendah, risk-reward tidak menarik, dan eksposur terhadap whipsaw lebih besar. Dalam backtest, strategi berbasis model underfit sering tidak bisa mengalahkan baseline naif seperti “harga besok ? harga hari ini” (naive persistence). 

Ketika ditambah biaya transaksi dan slippage, kinerja yang lemah menjadi negatif secara net return. Lebih parah, rasa percaya diri bisa salah tempat: karena error latih sudah tinggi, beberapa tim mengira masalah ada di data—padahal desain model-lah yang perlu ditingkatkan.

Cara Mengatasi Underfitting

Pertama, perbaiki representasi fitur

Masukkan lag yang relevan (lag-1, lag-3, lag-7), return log, volatilitas rolling (mis. standar deviasi 7/14 hari), volume dan on-chain activity (kalau tersedia), indikator momentum (EMA, MACD, RSI), serta faktor kalender (hari dalam minggu, efek akhir bulan). Tujuannya memberi model cukup informasi tentang memori jangka pendek dan struktur dinamika pasar.

Kedua, tingkatkan kapasitas model

Coba polynomial/interaction features untuk model linear, atau beralih ke model non-linear seperti Random Forest, Gradient Boosting (XGBoost/LightGBM/CatBoost), atau jaringan saraf (LSTM/Temporal Convolution/Transformer) untuk menangkap ketergantungan waktu yang kompleks. Mulailah sederhana dan iteratif.

Ketiga, atur ulang regularisasi

Jika koefisien terlalu ditekan, kurangi kekuatan regularisasi (turunkan alpha/lambda), atau gunakan teknik yang lebih adaptif. Untuk neural network, kurangi dropout berlebihan, naikkan epoch secara bertahap, dan gunakan early stopping hanya untuk mencegah overfitting—bukan menghentikan model sebelum sempat belajar.

Keempat, tuning hyperparameter dengan skema validasi yang benar untuk time series

Hindari k-fold acak; gunakan time series split atau walk-forward validation agar tidak terjadi data leakage. Targetkan metrik yang relevan (MAE/MAPE untuk harga; accuracy/F1 untuk arah), dan bandingkan melawan baseline naif serta model yang lebih sederhana sebagai “uji rasionalitas”.

Kelima, perpanjang horizon data latih dan bersihkan data

Tambahkan periode pasar berbeda (bull, bear, sideway) agar model mempelajari konteks. Tangani outlier, missing value, dan guncangan ekstrem dengan teknik winsorizing atau transformasi log bila perlu. Normalisasi/standardisasi fitur juga membantu stabilitas pelatihan.

Keenam, pertimbangkan reframing masalah.

Jika regresi harga terlalu sulit untuk kapasitas model, ubah menjadi klasifikasi arah (naik/turun) dengan threshold probabilitas dan risk management yang jelas. Kadang, model yang “cukup baik” untuk arah memberi edge praktis dibanding regresi yang underfit.

Ketujuh, manfaatkan ensemble

Kombinasikan model linear (untuk tren makro) dan model non-linear (untuk interaksi lokal) melalui stacking atau blending. Ensemble sering meningkatkan robustnes tanpa harus membuat satu model jadi sangat kompleks.

Best Practice untuk Proyek Kripto

Selalu mulai dari baseline yang transparan (naive persistence dan moving average). Buat pipeline evaluasi yang mencakup walk-forward validation, backtest yang memasukkan biaya transaksi & slippage, serta uji kepekaan (sensitivitas) terhadap hyperparameter dan set fitur.

Dokumentasikan setiap perubahan sehingga kamu tahu perbaikan berasal dari apa, bukan kebetulan. Terakhir, lakukan monitoring drift setelah deployment—pasar kripto berubah cepat; model yang hari ini pas bisa underfit besok jika rezim pasar berganti.

Kesimpulan

Underfitting adalah sinyal bahwa model kamu belum “cukup” untuk memahami dinamika harga kripto. Gejalanya jelas: error tinggi di latih dan uji, kurva pembelajaran stagnan, serta sinyal trading yang tumpul. 

Solusinya bukan satu tombol ajaib, melainkan rangkaian langkah: memperkaya fitur, menambah kompleksitas secara terukur, mengatur regularisasi, memilih validasi yang tepat untuk time series, memperbaiki data, dan—bila perlu—mengubah formulasi masalah atau memakai ensemble. 

Dengan disiplin eksperimen dan evaluasi yang benar, kamu bisa menggeser model dari underfit menjadi “pas”—lebih responsif terhadap sinyal pasar tanpa mengorbankan generalisasi. Untuk pemahaman umum tentang underfitting/overfitting dan bias-variance, kamu bisa rujuk sumber-sumber pengantar yang kredibel. 

Itulah informasi menarik tentang Tutorial & Blockchain yang bisa kamu eksplorasi lebih dalam di artikel Akademi crypto di INDODAX. Selain memperluas wawasan investasi, kamu juga bisa terus update dengan berita crypto terkini dan pantau langsung pergerakan harga aset digital di INDODAX Market.

Untuk pengalaman trading yang lebih personal, jelajahi juga layanan OTC trading kami di INDODAX. Jangan lupa aktifkan notifikasi agar kamu selalu mendapatkan informasi terkini seputar aset digital, teknologi blockchain, dan berbagai peluang trading lainnya hanya di INDODAX Academy.

Kamu juga dapat mengikuti berita terbaru kami melalui Google News untuk akses informasi yang lebih cepat dan terpercaya. Untuk pengalaman trading yang mudah dan aman, download aplikasi crypto terbaik dari INDODAX di App Store atau Google Play Store.

Maksimalkan juga aset kripto kamu dengan fitur INDODAX Earn, cara praktis untuk mendapatkan penghasilan pasif dari aset yang kamu simpan.

Ikuti juga sosial media kami di sini: Instagram, X, Youtube & Telegram

FAQ

1. Apa bedanya underfitting dan overfitting?
   Underfitting: model terlalu sederhana (bias tinggi), buruk di latih dan uji. Overfitting: model terlalu kompleks (variance tinggi), sangat baik di latih tapi buruk di uji. Tujuanmu adalah keseimbangan—generalization yang baik.

2. Apakah menambah data selalu mengatasi underfitting?
   Tidak selalu. Menambah data membantu, tetapi jika arsitektur modelnya memang terlalu sederhana atau fitur tidak representatif, underfitting tetap terjadi. Perbaikan desain model dan fitur biasanya lebih berdampak.

3. Metrik apa yang cocok mendeteksi underfitting di kripto?
   Untuk regresi harga: MAE, MAPE, RMSE. Untuk arah: accuracy, F1, precision/recall. Amati juga learning curve—jika error latih dan validasi sama-sama tinggi dan sejajar, kemungkinan besar underfitting.

4. Model apa yang umumnya lebih tahan underfitting untuk harga kripto?
   Model non-linear seperti gradient boosting atau jaringan saraf berurutan (LSTM/TCN) cenderung menangkap pola yang dilewatkan model linear. Namun, kompleksitas harus diimbangi validasi ketat agar tidak berbalik menjadi overfitting.

5. Apakah regularisasi selalu baik?
   Regularisasi berguna untuk mencegah overfitting, tetapi jika terlalu kuat, ia justru mendorong underfitting. Sesuaikan kekuatannya dan gunakan validasi berbasis time series untuk menemukan titik yang “pas”.

Author: ON