Heuristik Keterwakilan Representativeness Heuristic

Mengapa Ini Penting

Trader hidup dari pola: bentuk grafik, rangkaian menang dan kalah, cerita perusahaan yang “mirip” dengan kisah sukses sebelumnya. Heuristik keterwakilan adalah mesin yang membuat pola terasa bermakna. Masalahnya, rasa “mirip” sering dipakai sebagai pengganti probabilitas, padahal keduanya berbeda.

Konsep ini penting karena tiga alasan:

1. Ia membuat sampel kecil terasa seperti bukti. Sepuluh transaksi backtest yang bagus terasa “sudah terbukti”, padahal sebaran hasil dari sepuluh transaksi masih sangat lebar.

2. Ia menyembunyikan frekuensi dasar. Pertanyaan “seberapa sering hal seperti ini berhasil secara umum?” tertutup oleh cerita yang meyakinkan.

3. Kesalahannya langsung berdampak pada ukuran posisi. Keyakinan yang dibangun di atas sampel kecil mendorong risiko per transaksi dinaikkan terlalu cepat.

Gagasan Utama

Daniel Kahneman dan Amos Tversky (1972) merumuskan heuristik ini dalam artikel Subjective Probability: A Judgment of Representativeness. Menurut mereka, orang menilai peluang sebuah kejadian dari dua hal: seberapa mirip kejadian itu dengan populasi asalnya, dan seberapa baik kejadian itu mencerminkan ciri-ciri proses yang menghasilkannya. Salah satu akibatnya, ukuran sampel hampir tidak memengaruhi penilaian. Dalam salah satu soal mereka, peserta diminta membandingkan rumah sakit besar dan rumah sakit kecil dalam hal jumlah hari ketika bayi laki-laki yang lahir lebih dari 60%. Kebanyakan peserta menilai keduanya kurang lebih sama, padahal rumah sakit kecil, dengan sampel harian yang lebih sedikit, jauh lebih mungkin mengalami penyimpangan seperti itu.

Setahun sebelumnya, Tversky dan Kahneman (1971) menggambarkan keyakinan yang mereka sebut law of small numbers: anggapan bahwa sampel kecil pun akan mencerminkan populasinya dengan setia. Yang menarik, keyakinan ini juga ditemukan pada peneliti yang terlatih secara statistik. Mereka cenderung terlalu yakin bahwa hasil dari sampel kecil akan terulang.

Dalam artikel tahun 1974, Tversky dan Kahneman merangkum beberapa bias yang lahir dari heuristik ini:

• Pengabaian base rate: ketika diberi deskripsi seseorang yang terdengar khas, peserta menilai profesinya hampir hanya dari deskripsi itu, dan sangat sedikit memperhitungkan proporsi profesi tersebut dalam kelompok.

• Ketidakpekaan terhadap ukuran sampel: hasil dari sampel kecil dinilai sama meyakinkannya dengan hasil dari sampel besar.

• Salah paham tentang keacakan: rangkaian acak yang pendek diharapkan terlihat “seimbang”, sehingga muncul gambler’s fallacy, yaitu anggapan bahwa hasil yang lama tidak muncul “sudah waktunya” muncul.

Kemiripan bukan peluang. Cerita yang khas tidak mengubah seberapa sering sesuatu terjadi, dan sampel kecil tidak mewakili apa-apa dengan andal.

Penjelasan Sederhana

Bayangkan Anda duduk di KRL dan melihat penumpang di depan Anda: berkacamata, membaca buku tebal berbahasa Inggris, dan membawa tas berisi kertas ujian. Tebakan pertama yang muncul biasanya “dosen”.

Tebakan itu terasa kuat karena penumpang tersebut sangat mirip dengan gambaran khas seorang dosen. Tetapi coba pikirkan frekuensi dasarnya. Di antara penumpang KRL, jumlah pegawai kantor, pedagang, dan mahasiswa jauh lebih banyak daripada dosen. Mahasiswa juga membawa buku tebal. Guru les juga membawa kertas ujian. Walaupun deskripsinya cocok dengan dosen, secara hitungan kemungkinan besar ia bukan dosen, karena jumlah dosen memang sedikit.

Dalam trading, pertanyaan “grafik ini mirip pola apa?” sering menggantikan pertanyaan “dari semua kejadian dengan pola seperti ini, berapa yang benar-benar berakhir sesuai harapan?” Pertanyaan pertama dijawab oleh mata. Pertanyaan kedua hanya bisa dijawab oleh data.

Contoh Kehidupan Nyata

Contoh Keuangan

Perusahaan yang berhasil         = 20% × 200 = 40
Perusahaan yang gagal            = 80% × 200 = 160

Berhasil DAN punya cerita khas   = 60% × 40  = 24
Gagal DAN punya cerita khas      = 40% × 160 = 64

P(berhasil | punya cerita khas)  = 24 / (24 + 64) = 24 / 88 ≈ 27%

Contoh Trading

Galat baku winrate  = akar( p × (1 − p) / n )

n = 10 transaksi    = akar(0,7 × 0,3 / 10)  ≈ 0,145
Rentang kasar ±2    = 70% ± 29%             → sekitar 41% sampai 99%

n = 200 transaksi   = akar(0,7 × 0,3 / 200) ≈ 0,032
Rentang kasar ±2    = 70% ± 6%              → sekitar 64% sampai 76%

Nilai harapan per transaksi   = 0,45 × 1R − 0,55 × 1R = −0,10R
Total 50 transaksi            = 50 × −0,10R          = −5R

Dengan risiko 1% per R        ≈ −5% modal
Dengan risiko 2% per R        ≈ −10% modal (tanpa efek majemuk)

Cara Kerja Konsep

Heuristik keterwakilan mengganti pertanyaan tentang frekuensi dengan pertanyaan tentang kemiripan:

Pertanyaan sebenarnya: "Seberapa sering hal seperti ini terjadi?"
          │
          ▼
Pertanyaan yang dijawab: "Seberapa mirip ini dengan gambaran khasnya?"
          │
          ├── Frekuensi dasar       → terabaikan
          ├── Ukuran sampel         → terabaikan
          └── Sifat proses acak     → diharapkan "seimbang" dalam rangkaian pendek
          │
          ▼
Peluang terasa tinggi karena ceritanya cocok, bukan karena datanya cukup

Tabel berikut merangkum tiga bentuk utamanya:

Kapan keterwakilan berguna? Kemiripan adalah petunjuk yang sah bila memang ada hubungan sebab-akibat yang kuat dan frekuensi dasarnya tidak terlalu timpang. Dokter berpengalaman mengenali gejala khas penyakit umum dengan cepat dan tepat. Kemiripan menjadi masalah ketika frekuensi dasarnya sangat kecil, sampelnya sedikit, atau prosesnya didominasi keacakan, seperti hasil transaksi dalam jangka pendek.

Pertanyaan pemeriksa. Sebelum menilai sebuah setup atau strategi:

1. Dari semua kejadian yang mirip dengan ini, berapa persen yang berhasil? Apakah saya punya datanya?

2. Berapa ukuran sampel di balik angka winrate yang saya pakai? Berapa rentang ketidakpastiannya?

3. Apakah saya menilai transaksi berikutnya dari urutan hasil terakhir?

4. Bila strategi ini sebenarnya berada di batas bawah rentangnya, berapa kerugian saya dengan ukuran posisi sekarang?

Untuk melihat seberapa lebar hasil yang wajar dari strategi dengan nilai harapan tertentu, termasuk rangkaian kalah panjang yang terjadi hanya karena keacakan, gunakan simulasi berikut:

Ringkasnya:

Kemiripan terasa seperti bukti, tetapi bukan bukti.

Tanyakan frekuensi dasarnya dan ukuran sampelnya sebelum mempercayai pola.

Keyakinan dari sampel kecil paling berbahaya ketika dipakai untuk memperbesar posisi.