Cara kerja LightGBM, mengapa pohon kuat pada tabel keuangan, dan cara menguji prediksi saham secara adil.
Mesin rumit justru kalah?
“Versi jaringan saraf tidak berhasil mengalahkan LightGBM.” Rasanya aneh: mesin dengan banyak lapisan perhitungan datang bertanding, tetapi sekelompok pohon kecil yang membawa pulang piala. Kipas komputer sudah meraung, namun suara keras tidak menambah nilai.
Kalimat itu tidak mencantumkan data atau skor, sehingga hasil pertandingan khusus tersebut belum dapat diperiksa. Namun, penelitian menunjukkan metode berbasis pohon sering kuat untuk angka dalam tabel.[1][2]
Apa yang dilakukan LightGBM?
LightGBM adalah cara belajar dari contoh lama untuk memperkirakan hasil baru. Penelitian utamanya diterbitkan pada 2017.[3]
Bayangkan tabel pertumbuhan laba, lonjakan transaksi, ukuran perusahaan, dan perubahan harga saham berikutnya. Satu pohon bertanya, “Apakah laba melewati batas ini?” Pohon selanjutnya memperbaiki bagian yang keliru. Banyak perbaikan kecil bergabung menjadi satu perkiraan.
Satu pohon sederhana, tetapi seluruh hutan yang bekerja bersama sangat tangguh.
Mengapa bisa menang?
Angka keuangan memuat lonjakan ekstrem, kolom yang tidak berguna, dan pola yang baru muncul setelah melewati batas tertentu. Pohon pandai membagi keadaan menurut batas seperti itu.
Studi 2022 menemukan metode pohon sangat kuat pada tabel berukuran sedang.[1] Penelitian 2023 menunjukkan penyesuaian pengaturan terkadang lebih penting daripada mengganti jenis model.[2]
Komputer yang berisik seperti pesawat belum tentu meramal lebih baik.
Apakah pohon selalu unggul?
Perbandingan besar pada 2025 menemukan jaringan saraf dapat menyusul dalam kondisi tertentu dengan waktu latihan lebih panjang dan gabungan beberapa model.[4] Membaca foto dan laporan keuangan adalah tugas yang berbeda.
Pengujian untuk saham
Keduanya hanya boleh memakai informasi yang sudah tersedia pada tanggal prediksi. Memakai laba yang diumumkan kemudian sama saja membaca koran besok.
Uji secara kronologis dan hitung biaya, selisih harga perkiraan dengan harga transaksi nyata, serta kerugian besar. Menebak arah harga tidak sama dengan memperoleh laba bersih.
Kesimpulan
Jaringan saraf bisa kalah dari LightGBM. Metode tahun 2017 pun tetap kuat jika cocok dengan tugasnya. Jangan remehkan hutan kecil itu.
- Grinsztajn, Oyallon & Varoquaux (2022), “Why do tree-based models still outperform deep learning on typical tabular data? papers.nips.cc
- McElfresh et al. (2023), “When Do Neural Nets Outperform Boosted Trees on Tabular Data? proceedings.neurips.cc
- Ke et al. (2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree. proceedings.neurips.cc
- Erickson et al. (2025), “TabArena: A Living Benchmark for Machine Learning on Tabular Data. proceedings.nips.cc
