History has a way of smoothing over the cracks in a person’s life until they become a statue. We look at Aristotle and see the marble bust of supreme wisdom, the man who seemingly invented logic, biology, and literary criticism single handedly. But if you look closer at the historical record, the image gets a little blurry.

There is a strange paradox sitting right at the center of his legacy. For someone who defined how the Western world thinks, he is surprisingly hard to pin down. In fact, he might be the most mysterious figure in world history.

The Man Without a Book

Consider his bibliography. When we read Shakespeare, we are reading the actual plays he wrote because we have the text. When we read Plato, we are reading the dialogues he carefully crafted. But Aristotle is different. Not a single original text written by his own hand survives.

The famous works on ethics, politics, and poetics are likely just lecture notes. We are essentially basing Western civilization’s “operating system” on scribbles from students who were frantically trying to write down what their professor was saying in class.

This leads to a second puzzle regarding the sheer impossibility of his range. We believe he produced around 200 works covering everything from theater and rhetoric to physics, metaphysics, and biology. There is no analog in human history for this level of curiosity. He did not just study the world; he categorized every single inch of it. It raises a quiet question about how much of “Aristotle” is actually him, and how much is the result of a massive compilation effort by his followers.

The Student Who Looked Down

Then there is the drama with his teacher. Aristotle studied under Plato for twenty years. Two decades is a long time to spend with a mentor. Usually, a student becomes the master’s greatest defender, but Aristotle did something that still feels rebellious today. He dismantled his master’s entire worldview.

Plato was the ultimate idealist who believed in the “Form of the Good,” a divine and immutable perfection. To Plato, the circle you draw on paper is not real because it has edges; the only real circle exists in the realm of pure thought. He believed we live in a shadow realm where everything is just a poor imitation of the divine. Consequently, he wanted people to close their eyes to the physical world and use mathematics to find the truth.

Aristotle, on the other hand, was a doctor’s son. He did not care about the perfect “idea” of a horse in the sky; he wanted to know why the specific horse in front of him had strong legs. He was a materialist who believed we access truth through observation.

While Plato preached that God was a static, eternal perfection, Aristotle argued for a “Prime Mover,” a cosmic spark that set everything into motion. For Aristotle, the universe was not about static perfection; it was about change, motion, and infinity. He validated the messy, physical world we actually live in.

Philosophy in the War Room

But the most fascinating part of the story is not the philosophy; it is the politics. We tend to think of philosophers as detached sages living in isolation, but Aristotle was deeply embedded in the machinery of empire.

If you look at the dates, Aristotle and King Philip II of Macedon were born only a year apart. Aristotle’s father was the personal physician to the King, meaning they likely grew up together as childhood friends. While Aristotle went to Athens to study at the Academy, Philip was planning the conquest of Greece.

There is a theory that Aristotle was not just a student in Athens, but a middleman for Macedonian interests. When Philip II wanted to unite the fractured Greek city states under a “Pan-Hellenic” project, he needed more than an army; he needed a shared identity. He needed someone to systemize Greek knowledge into a cohesive culture that could be exported.

It is no coincidence that Philip hired his childhood connection, Aristotle, to tutor his son, Alexander.

The Conqueror’s Dilemma

Think about it from Alexander the Great’s perspective. If he had listened to Plato, he never would have left home. Plato would have told him that conquering the world was pointless because the physical world is just a “shadow realm” and not real. Plato would have told him to sit down and do geometry.

Aristotle offered a different path, one that a soldier could understand. He taught the concept of Telos, or purpose. A soldier does “good” not by meditating, but by fulfilling his purpose which is fighting and winning.

Aristotle preached Arete (excellence) and Eudaimonia (flourishing through action). This was the perfect “software” for a young emperor. It justified the ambition to organize the world, giving Alexander a moral mandate to expand his empire.

The Filing System of Reality

After Alexander’s death, his empire fragmented, but the cultural project continued. The Ptolemies in Egypt established the Library of Alexandria, essentially the world’s first research university, to continue this work of systemizing Greek culture.

They were ruthless about it. There is a story that the Library wanted the original manuscripts of the great Athenian playwrights like Aeschylus, Sophocles, and Euripides. The Athenians refused to give them up because they considered them sacred treasures. So the Egyptians offered an enormous deposit of 15 talents of silver just to “borrow” them for copying.

Once they had the originals, the Library simply forfeited the deposit and kept the books. They did not care about the money; they cared about owning the standard version of the truth.

At the center of this intellectual empire stands Aristotle. Or at least, the version of him that the Library curated.

Whether he was a solitary genius or the figurehead for an empire’s effort to standardize knowledge, he managed to do something no one else did. He built a filing system for reality. He gave us the categories we still use to sort out our lives today. He might be a ghostwriter for Western civilization, but he is a ghost we still can’t seem to shake.

Imagine this: No books. No writing. Just a blind bard wandering from village to village in ancient Greece. Hundreds surround him nightly by the firelight. He recites the 15,000 lines of The Iliad entirely from memory. He speaks for hours on end.

No payment. No army. Just words.

The result? The greatest explosion of civilization in history. Plato. Sophocles. Herodotus. Democracy. Philosophy. Theater as moral education.

How does one poem birth all of this? The answer isn’t in the plot. It lies in how The Iliad rewired human nature itself.

The Greek Code: Arete and Eudaimonia

To understand the poem, we must understand the code it installed in the Greek mind. It starts with two concepts: arete and eudaimonia.

Arete means excellence, virtue, or character. It is what makes you exceptional. The Greeks identified two paths to arete: war-fighting and speech-making.

Achilles is the paragon of the warrior path. He rejects the prophecy of a safe life where he would “die old at home.” Instead, he chooses an early death at Troy. He does this because he believes that only by fighting, and only by winning glory, can he achieve eudaimonia.

Eudaimonia is often translated as happiness, but it really means flourishing. It is the act of expressing your highest potential. Without fighting, Achilles cannot be Achilles. When he sits miserable by his ships and plots revenge against Agamemnon, he is spiritually dying. A warrior not fighting is a man not breathing.

But then there is Odysseus. He embodies the arete of the orator.

The Greeks understood that war and rhetoric were identical goals achieved through different means. Warriors impose reality through brute force. They make others obey superior strength. Orators achieve the same through beauty and truth. Both create realities that others must inhabit.

The Embassy Scene: Speeches as Narrative Warfare

We see the power of speech best in the famous “Embassy Scene.”

Achilles has withdrawn from battle. The Trojans, led by Hector, are destroying the Greeks. A desperate war council decides to send envoys to beg Achilles to return. Odysseus, the master speaker, leads the way.

Odysseus speaks first. It is a very long speech. Why? Why not simply say: “Achilles, here’s a million dollars in gold. Fight for us.” Or perhaps: “We’re losing. Stop sulking.”

He doesn’t say this because speeches are not transactions. They are wars of reality.

Odysseus doesn’t just respond to Achilles. He projects a movie onto the world to create a new emotional reality he wants Achilles to inhabit. He uses vivid imagery:

• The Present: He paints Hector not as a man, but as a giant. A god running wild and killing Greeks.
• The Past: He invokes Achilles’ father, Peleus. “Remember? You promised him glory before Troy.”
• The Future: He constructs a vision where Troy is sacked, treasures are won, and Achilles stands as the glory of all Greece.

Odysseus expands the imagination of Achilles across time. Enter this world, he argues, and you will flourish.

Achilles refuses. But look at how he refuses. His counter-speech contracts inward. While Odysseus speaks of “we,” Achilles speaks of “me.” “Nestor is a god to you? He ran from me.” “Peleus? I should go home.” “Briseis? I spit on that.”

It is a clash of realities. The length of these speeches serves the power of the poetry. The imagery, metaphor, diction, and syntax all matter. The contrast between the feast and the desert burns into the memory. The image of Hector-as-god sticks.

The Greeks memorized The Iliad not just for entertainment. They did it to master this art of reality creation. This became their politics. This became their civilization.

Kant Unlocks the Mechanism

But how does language actually control reality? Centuries later, Immanuel Kant’s Critique of Pure Reason would explain the mechanism behind Homer’s magic.

Kant argued that we do not passively observe reality. We actively shape it. Reality divides in two:

1. Noumena: Things-in-themselves. This is raw vibration, pure energy, and chaos.
2. Phenomena: Things-as-they-appear-to-us.

Our minds cannot perceive the noumena. It is too chaotic. So, we filter it through Time (sequence: 1–2–3) and Space (sensation: sight, sound). Time and space don’t exist outside of us. They exist inside us to order the world.

And what controls our perception of time and space? Language.

Before language, each person perceives their own fragmented reality. Language creates a collective reality. And who creates language? The poets.

Homer forged a shared reality where individual hatreds, like the rage of Achilles, could be contextualized for the common good. His poetry became the building blocks of Greek consciousness. One poem rewired an entire people.

Poets as Prophets: The Cosmic Connection

This reveals the metaphysical function of the poet. Poets aren’t mere artists. They are prophets accessing what Hegel calls Geist (Spirit), what Jung calls the Collective Unconscious, or what Plato calls the Realm of Forms.

This cosmic realm stores all memory. Homer connects to it through “divine inspiration.” The characters in The Iliad feel alive because Homer isn’t inventing them. He is summoning real consciousnesses from eternity. Achilles isn’t fiction. His rage, his grief, and his glory exist in the universe. Homer channels them.

When Homer recited The Iliad orally, it functioned like a movie theater of the mind. Each listener implanted their own consciousness into the story. It created a loop of shared creation. The poem became a portal to the cosmic realm.

From this portal, civilization emerged. Plato stepped out of it. Sophocles stepped out of it.

The Legacy: Tragedy as a Mirror

Percy Shelley, in his Defence of Poetry, explains how this legacy evolved into Greek tragedy. Athenian theater wasn’t entertainment. It was a mechanism for purging the soul.

Shelley wrote:

“The tragedies of Athenian poets are as mirrors in which the spectator beholds himself.”

Tragedy follows a pattern laid down by Homer. A great man is undone by hubris (arrogance). Achilles’ arrogance costs him Patroclus. Hector’s arrogance costs him his life.

In the theater, thousands of Greeks wept together. They connected with the fallen hero. They purged their own hubris through catharsis. By internalizing the tragic hero, they learned moral greatness. Homer’s living poem made this possible.

Why The Iliad Still Speaks

The Iliad endures because it connects to the eternal. We still understand the rage of Achilles. We still recognize the cunning of Odysseus in our modern politicians.

The poem tunes our minds like antennas receiving a universal download. The more you read it, the faster your connection to that “cosmic internet” becomes.

Greek education was simple: memorize The Iliad. Through it, they mastered the art of reality-creation. They didn’t just read a poem. They installed a civilization.

“If I could turn back time, I’d go all‑in study bioinformatics, be a blessing to others, save more lives and reduce people’s tears.”

Some days, cancer feels like a clock that won’t stop. Seconds turning into scans, scans turning into decisions, and decisions into consequences that arrive too fast for any human heart. In that space between urgency and uncertainty, technology has quietly changed its posture, from promising someday to delivering now. The question is no longer whether AI belongs in oncology, but how far it can bend time without breaking trust.​

Today’s stack is sharper than yesterday’s. Right now, we have genomics libraries that turn days into minutes, protein‑structure models that sketch binding possibilities before a pipette is lifted, and single‑cell language models that read the tumor microenvironment like a draft waiting to be edited. Together, they don’t replace doctors or scientists. They negotiate with time, prioritizing which hypotheses deserve to be tested first, in whom, and why.​

This piece traces that negotiation. It follows the tools that make speed honest, the methods that keep speed safe, and the people who stand in the middle (patients, doctors, and of course, engineers like us), asking for one thing we can’t refund. If time could heal, this is how we’d help it along.

Why Speed Matters 🏃‍➡️

Cancer moves while we’re deciding what to do next. In 2025, there’s a study tracking almost a million people showed a clear pattern:

“The longer patients wait to start treatment, the higher their risk of dying, even after carefully adjusting for who tends to be fast‑tracked versus who waits longer.”

Risk climbs step by step (from a small bump when treatment slips a couple of months, to a much larger bump when it drifts past ten months) so “just a little delay” isn’t harmless in the aggregate. If I can say this word: delay isn’t neutral, it tilts the odds the wrong way.

Think of a common story. A lung nodule shows up on a scan. If the biopsy takes weeks, the molecular test starts late. When the test starts late, targeted therapy or a trial slot can become a near‑miss. Current research says this isn’t just an anecdote. Across major cancers, once you correct the math properly, longer time‑to‑treatment still links to worse survival. In breast cancer, for example, highlight that pushing surgery beyond roughly six weeks is tied to higher death risk in specific groups, turning an abstract idea (“don’t wait too long”) into a clock teams can actually plan around.

Speed, though, isn’t about rushing. It’s about getting the order right. Reviews and consensus work this year argue that “when” is part of the treatment, not just “what.” They call for trials and real‑world studies that test timing itself (how long between surgery and chemo, when to give immunotherapy, what window matters most) because many patients still miss those windows in everyday care. The goal is simple. Go faster in ways that travel across hospitals and hold up under scrutiny, not just faster in one lucky center.​

There’s also the time patients lose to the system itself, what doctors now call “time toxicity.” In 2025, surveys kept pushing this idea forward. Hours burned on travel, waiting rooms, repeat tests, and authorizations can drain quality of life enough to cancel out small survival gains. The fix isn’t heroics, it’s better sequencing and fewer loops cut the waste, keep the proof, and make speed something a clinician can defend to a scared family in the small hours. That’s why the next section focuses on tools that don’t just go fast, but they make time work for the patient.

The Tools That Buy Time 🤖

When minutes matter, the right stack turns slow loops into same‑day decisions.

Start with genomics at GPU speed. Clinical sequencing pipelines that once took many hours can now finish in minutes, so a tumor board discusses real variants this week, not next month. Accelerated workflows like Clara Parabricks routinely shrink whole‑genome or exome runs and make variant‑calling fast and affordable enough to keep up with clinic pace, more samples per day, fewer bottlenecks, and a mutation list on a doctor’s desk before a patient’s condition slips. The value isn’t the hardware; it’s the time handed back to people who need it.

Next, structure before the experiment. AlphaFold‑class and foundation‑model approaches help teams sketch binding possibilities and mutation effects before anyone picks up a pipette. That means narrowing targets, prioritizing which pocket is plausible, and deciding which compound deserves wet‑lab first pass. By moving a chunk of screening into compute, labs avoid dead‑end assays and reclaim weeks. That’s make the first experiment is more likely to matter for the patient in front of them.

Then, read cells like text. Single‑cell language‑model methods let researchers query the tumor microenvironment rather than just cluster it. In practice, faster calls on which myeloid states track with resistance, which T‑cell populations predict response, and which patients look biologically similar across cohorts for a trial slot. Paired with accelerated analytics that can handle tens to hundreds of millions of cells, what used to be weeks of manual annotation becomes hours of targeted interrogation.

What We Still Don’t Know 🤔

Speed helps, but “fast” can turn fragile if we don’t name the gaps.

• First, generalization. A model that shines in one hospital can stumble across town because scanners, staining, workflows, and populations differ; performance drops the moment data distribution shifts, and that’s when trust evaporates.
• Second, evidence about “when” is still thin. Trials rarely test timing itself. How long between surgery and chemo, or which window matters most for immunotherapy, so real‑world care often guesses the interval instead of measuring it.
• Third, bias and access. People without smooth access to imaging, biopsies, molecular tests, or transportation tend to wait longer, and those waits don’t land equally across income, language, or geography.
• Fourth, the measurement problem. We’ve gotten better at counting survival and response; we’re still learning how to count the hours patients lose to travel, authorizations, repeat tests, and fragmented scheduling, the “time toxicity” that can cancel out small clinical gains.

There are also scientific unknowns hiding inside what looks like speed. When we compress pipelines, we can quietly amplify false positives, a variant called from low‑quality reads, a structure prediction over‑interpreted outside its domain, a single‑cell label that drifts when the tissue type or platform changes.

Guardrails are not optional. Baselines must be reported, hold‑outs must be real, and pathway‑level checks or orthogonal assays should be the rule, not the nice‑to‑have. And when black‑box systems offer confident recommendations, the burden is on us to show why they’re plausible in biology, not just in math.

Finally, timing is a moving target because biology moves. A “good” interval for one tumor type, stage, or biomarker can be wrong for another. The honest position is simple. Declare uncertainty up front, instrument the workflow to learn, and be ready to change course when the data say the window isn’t where we thought it was.

Conclusion: So, What We Should Do?

If time is the most expensive reagent in medicine, then our job is to spend it better. The next frontier in cancer research isn’t just faster models or deeper sequencing, it will be orchestration. Every tool that saves a minute must prove it buys meaning, not chaos. That means designing workflows that shorten what hurts (waiting, guessing, approval) while preserving what matters (accuracy, empathy, validation).

We should build systems that learn from every delay instead of just removing it. Integrate AI not as a substitute for judgment but as a clock we can actually read, the one that reminds us where speed heals and where slowness protects.

Because the real future isn’t “instant oncology”. It’s a world where data moves fast enough for people to move wisely, where a clinician can defend their timing shortly, with both evidence and heart, and where no patient’s survival depends on how long the pipeline takes to finish.

In the end, if time could heal, our task is to give it less to fix.

Bayangkan dua pelari yang selalu berlari bersama di lintasan. Mereka memiliki kecepatan yang hampir sama, sehingga jarak di antara mereka biasanya tetap konstan. Namun, suatu hari, salah satu pelari mulai mempercepat langkahnya, meninggalkan temannya di belakang. Sebagai penonton, kamu tahu bahwa pelari yang tertinggal akan mengejar dan akhirnya menyusul, atau pelari yang lebih cepat akan melambat untuk menyesuaikan ritme. Di sinilah peluang muncul.

Dalam dunia trading, hubungan ini bisa ditemukan di antara dua aset yang memiliki korelasi kuat. Ketika salah satu “berlari” terlalu jauh dari yang lain, trader yang cermat dapat memanfaatkan momen ini untuk mendapatkan keuntungan. Strategi ini dikenal sebagai pair trading, yaitu sebuah pendekatan yang tidak bergantung pada arah pasar, melainkan pada hubungan relatif antara dua aset.

Mungkin buat banyak orang, belajar analisis strategi trading itu rasanya kayak gini:

Pair trading itu sebenarnya nggak ribet-ribet amat. Kita nggak perlu nebak arah pasar atau “timing the market”. Yang perlu difokusin cuma hubungan antara dua aset kayak dua orang tadi. Kalau salah satu “lari” terlalu jauh, kita bisa manfaatin momen itu buat dapetin keuntungan.

Disini, kita bakal bahas logika di balik pair trading, kenapa strategi ini bisa works, dan gimana cara menganalisisnya.

Arbitrage Strategies: Memanfaatkan Perbedaan Harga

Oke, sebelum kita masuk lebih dalam ke pair trading, kita perlu bahas dulu konsep besar yang jadi “payung” dari strategi ini: arbitrage. Apa sih arbitrage itu? Sederhananya, arbitrage adalah strategi untuk memanfaatkan perbedaan harga di pasar. Tujuannya? Jelas, buat dapetin keuntungan tanpa harus ambil risiko besar.

Bayangin kamu lagi jalan di pasar tradisional. Kamu lihat ada pedagang yang jual mangga seharga Rp10.000/kg, tapi di ujung pasar ada pedagang lain yang jual mangga yang sama seharga Rp15.000/kg. Kalau kamu beli di pedagang pertama dan jual di pedagang kedua, selisih Rp5.000 itu adalah keuntungan kamu 🤑. Nah, konsep ini mirip banget sama arbitrage di dunia trading.

Jenis-Jenis Arbitrage

Arbitrage itu nggak cuma satu jenis, ada beberapa strategi yang sering dipakai trader. Berikut adalah beberapa di antaranya:

1. Spatial Arbitrage: Ini adalah arbitrage yang memanfaatkan perbedaan harga di lokasi yang berbeda. Contohnya, harga emas di London mungkin lebih murah dibandingkan di New York. Trader bisa beli di London dan jual di New York untuk dapetin keuntungan.
2. Temporal Arbitrage: Arbitrage ini fokus pada perbedaan harga di waktu yang berbeda. Misalnya, harga saham perusahaan tertentu mungkin lebih rendah di sesi pagi dan lebih tinggi di sesi sore. Trader bisa memanfaatkan perbedaan ini untuk profit. Kadang kita bisa sebut juga sebagai scalper atau swing trader, tergantung dari jangka waktu yang Kita tentukan.
3. Statistical Arbitrage: Nah, ini dia yang jadi dasar dari pair trading. Statistical arbitrage menggunakan analisis data dan statistik untuk menemukan hubungan antara dua aset. Kalau ada penyimpangan dari hubungan normalnya, trader bisa masuk untuk memanfaatkan peluang.

Pair Trading: Memanfaatkan Hubungan Dua Aset

Setelah memahami konsep arbitrage, sekarang kita masuk ke salah satu bentuk statistical arbitrage yang cukup populer: pair trading. Pair trading adalah strategi yang fokus pada hubungan antara dua aset yang memiliki korelasi historis. Tujuannya adalah memanfaatkan penyimpangan harga sementara di antara kedua aset tersebut.

Dalam pair trading, kita tidak peduli apakah pasar sedang naik (bullish) atau turun (bearish). Fokus utama strategi ini adalah pada hubungan relatif antara dua aset. Ketika harga salah satu aset menyimpang terlalu jauh dari hubungan normalnya, kita bisa memanfaatkan momen tersebut untuk masuk ke posisi trading.

First Step, Temukan Pair Aset dan Korelasinya

Langkah pertama dalam pair trading adalah mengidentifikasi pasangan aset yang memiliki hubungan historis yang kuat. Biasanya, aset yang berada di industri yang sama atau memiliki hubungan fundamental cenderung memiliki korelasi tinggi.

Contohnya, saham dari dua bank besar di Indonesia, seperti BBRI dan BMRI, sering kali bergerak bersama. Untuk memastikan korelasi ini, kamu bisa menggunakan alat seperti Portfolio Visualizer atau menghitung korelasi secara manual menggunakan data harga historis. Korelasi yang tinggi (r > 0.8) menunjukkan bahwa kedua aset memiliki hubungan yang cukup kuat untuk digunakan dalam strategi pair trading.

Next, Hitung Spread dan Uji Stationarity

Setelah pasangan aset teridentifikasi, langkah berikutnya adalah menghitung spread antara kedua aset dan memastikan bahwa spread bersifat mean-reverting.

Spread?? Mean-reverting?? apa itu 🤔

Spread adalah selisih harga antara aset pertama dan aset kedua. Mean reversion adalah konsep yang menyatakan bahwa harga atau nilai suatu aset cenderung kembali ke rata-rata historisnya setelah menyimpang. Dalam pair trading, mean reversion digunakan untuk menganalisis spread antara dua aset. Spread yang bersifat mean-reverting akan kembali ke rata-rata historisnya setelah menyimpang, yang merupakan inti dari strategi pair trading. Hal ini memberikan peluang bagi trader untuk masuk posisi saat spread menyimpang, dengan asumsi bahwa spread akan kembali ke rata-rata.

Bayangkan spread seperti bandul yang berayun di sekitar titik tengah (rata-rata). Ketika spread bergerak terlalu jauh ke satu sisi, gravitasi (mean reversion) akan menariknya kembali ke tengah. Misalnya, jika spread antara dua saham naik dari rata-rata Rp500 ke Rp700, trader bisa masuk posisi dengan short aset yang overvalued dan long aset yang undervalued, lalu keluar saat spread kembali ke Rp500.

Mean reversion menjadi inti dari pair trading karena memberikan prediktabilitas dan peluang untuk memanfaatkan pergerakan harga yang cenderung stabil.

Untuk memastikan bahwa spread bersifat mean-reverting, kamu bisa menggunakan ADF Test (Augmented Dickey-Fuller Test). ADF Test adalah uji statistik yang menentukan apakah spread bersifat stationary atau tidak. Jika hasil ADF Test menunjukkan bahwa spread bersifat stationary (p-value < 0.05), maka pasangan aset tersebut cocok untuk pair trading. Sebaliknya, jika p-value ≥ 0.05, spread tidak bersifat stationary, sehingga pasangan aset tersebut tidak cocok untuk pair trading.

Finally, Tentukan Entry Point

Entry point dalam pair trading dilakukan saat Z-Score menunjukkan penyimpangan yang signifikan dari rata-rata historisnya. Jika Z-Score lebih besar dari 2, itu berarti spread terlalu besar, sehingga kamu bisa short aset yang overvalued (jual aset yang harganya terlalu mahal) dan long aset yang undervalued (beli aset yang harganya terlalu murah). Sebaliknya, jika Z-Score kurang dari -2, kamu bisa long aset yang undervalued dan short aset yang overvalued. Pastikan korelasi antara kedua aset tetap tinggi sebelum masuk posisi untuk mengurangi risiko.

Contoh Kasus 1: Coinbase (COIN) & Robinhood (HOOD)

First Step: Temukan Pair Aset dan Korelasinya

Coinbase dan Robinhood adalah dua pemain utama dalam lanskap keuangan digital di Amerika Serikat. Coinbase (COIN) dikenal sebagai salah satu platform pertukaran aset kripto terbesar dan pertama yang melantai di bursa saham Amerika. Perusahaan ini memungkinkan jutaan pengguna membeli, menjual, dan menyimpan berbagai jenis aset digital seperti Bitcoin, Ethereum, dan altcoin lainnya. Di sisi lain, Robinhood (HOOD) adalah broker ritel yang mempopulerkan trading tanpa biaya komisi, dikenal luas di kalangan Gen Z dan milenial. Meski awalnya fokus pada saham dan ETF, Robinhood juga mengembangkan layanan kripto, termasuk dompet digital dan perdagangan token populer.

Karena keduanya beroperasi di persimpangan antara fintech, pasar modal, dan kripto, pergerakan harga saham COIN dan HOOD seringkali mencerminkan sentimen yang sama. Misalnya, ketika Bitcoin melonjak, volume transaksi di Coinbase meningkat, begitu pula minat pengguna Robinhood untuk berinvestasi dalam aset kripto. Korelasi tinggi ini tercermin secara statistik: selama periode Januari 2024 hingga Juni 2025, korelasi bulanan antara keduanya tercatat di angka 0.93, sinyal kuat bahwa mereka cenderung “berlari bersama.” Ini menjadikan pasangan COIN–HOOD kandidat ideal untuk strategi pair trading.

Next: Hitung Spread dan Uji Stationarity

Meski bergerak bersama dalam jangka panjang, sesekali hubungan ini bisa goyah. Pada pertengahan Juli 2025, sektor kripto di Amerika Serikat kembali hangat setelah DPR meloloskan sejumlah regulasi pentin, salah satunya adalah “Clarity Act” yang memperjelas status aset kripto, serta “Genius Act” untuk stablecoin, yang menciptakan sentimen bullish besar bagi saham fintech-kripto seperti Coinbase dan Robinhood. Kedua saham pun melesat, dengan COIN mencapai rekor harga baru hingga $444, sedangkan HOOD meroket ke level $113.

Pelebaran ini menjadi alarm bagi trader pair trading — menunjukkan bahwa salah satu aset mulai “lari terlalu cepat.” Kalau spread ini bersifat mean-reverting, maka bisa dimanfaatkan. Uji ADF dapat digunakan untuk memastikan spread-nya stationary. Jika ya, kita punya dasar statistik untuk masuk posisi.

Finally: Tentukan Entry Point

Menjelang akhir Juli, terjadi berita negasi spesifik: Robinhood tidak berhasil masuk ke indeks S&P 500, padahal diprediksi akan menggantikan satu entri lama. Pengumuman ini menimbulkan koreksi pasar untuk HOOD (turun sekitar 1,5%), walau analis tetap optimistis dan mempertahankan target harga tinggi. Sementara Coinbase masih terus dipacu kenaikan oleh putusan legislatif dan animo crypto, sehingga perbedaannya menjadi riil.

Di momen seperti ini — ketika salah satu saham disuntik regulasi positif, sementara yang lain tersendat karena faktor fundamental atau indek, spread antara COIN dan HOOD melebar. Ini adalah titik yang ideal untuk aksi pair trading: Z‑Score kemungkinan besar menembus batas ±2, memberi sinyal kuat untuk:

• Short HOOD (yang stagnan karena excluded dari S&P 500)
• Long COIN (yang terus mendapatkan momentum karena regulasi)

Strategi ini bukan menebak arah pasar secara keseluruhan, tapi menilai hubungan antar dua aset yang biasanya jalan bareng, lalu memanfaatkan saat mereka “pisah jalur.”

Contoh Kasus 2: BTC & ETH

First Step: Temukan Pair Aset dan Korelasinya

Dalam dunia kripto, Bitcoin (BTC) dan Ethereum (ETH) bisa dibilang adalah “dua raja” yang sering berjalan beriringan. Sejak awal, pergerakan harga keduanya punya korelasi historis yang sangat tinggi, seringkali di atas 0.8. Ini masuk akal, karena keduanya adalah aset utama dalam ekosistem kripto dan biasanya dipengaruhi oleh sentimen makro yang sama: adopsi institusi, regulasi pemerintah, atau pergerakan dolar AS. Maka, tak heran kalau banyak trader menjadikan BTC dan ETH sebagai pasangan ideal untuk strategi pair trading.

Namun, seperti pasangan pelari yang biasanya seirama, ada kalanya satu dari mereka tiba-tiba melesat lebih cepat dari yang lain. Dan itulah yang terjadi di pertengahan Juli 2025.

Next: Hitung Spread dan Uji Stationarity

Pada minggu kedua Juli 2025, Ethereum naik pesat, menembus level $3.600, alias melonjak hampir 20% hanya dalam tujuh hari. Di sisi lain, Bitcoin justru “ngestuck” di kisaran $117.000–$118.000, setelah sebelumnya mencetak rekor tertinggi di $123.000 dan mengalami koreksi karena aksi ambil untung.

Perbedaan kecepatan inilah yang menciptakan spread: selisih harga yang semakin lebar antara dua aset yang biasanya sejalan. Spread ini bukan sekadar angka, tapi sinyal. Seperti bandul yang ditarik terlalu jauh ke satu sisi, spread yang terlalu melebar menunjukkan potensi untuk kembali ke rata-rata, selama hubungan historis antara kedua aset tetap kuat. Dalam istilah statistik, inilah yang disebut mean reversion.

Untuk memastikan bahwa spread tersebut memang cenderung kembali ke rata-ratanya, kita bisa melakukan uji ADF Test (Augmented Dickey-Fuller). Jika hasilnya menunjukkan bahwa spread bersifat stationary (p-value < 0.05), maka kondisi ini valid untuk dimanfaatkan dalam pair trading. Dalam kasus BTC–ETH saat itu, spread yang melebar akibat ETH ‘lari duluan’ menunjukkan potensi peluang untuk diambil posisi.

Finally: Tentukan Entry Point

Begitu spread divergen, langkah selanjutnya adalah menentukan kapan masuk posisi. Jika Z-Score spread BTC–ETH menembus angka +2, artinya ETH sudah terlalu overvalued relatif terhadap BTC. Ini menjadi sinyal untuk:

• Short ETH (jual aset yang terlalu tinggi harganya), dan
• Long BTC (beli aset yang ketinggalan).

Sebaliknya, jika Z-Score menyentuh -2, posisi akan dibalik.

Pada kasus pertengahan Juli itu, Z-Score spread antara ETH dan BTC diperkirakan sudah melewati angka +2 karena lonjakan ETH yang agresif dibanding BTC yang stagnan. Trader yang peka bisa masuk posisi sesuai strategi pair trading dan menunggu saat spread kembali normal, yaitu ketika harga ETH dan BTC kembali ‘berjalan bersama’.

Pada Akhirnya…

Pair trading bukan soal menebak arah pasar, tapi soal menangkap ketidakseimbangan sementara antara dua aset yang biasanya bergerak bersama. Dengan pendekatan statistik seperti korelasi, spread, ADF Test, dan Z-Score, trader bisa mengidentifikasi momen ketika hubungan itu terganggu dan mengambil posisi yang tidak spekulatif terhadap tren pasar, melainkan terhadap hubungan antar dua aset.

Contoh kasus COIN–HOOD dan BTC–ETH membuktikan bahwa bahkan pasangan yang tampak solid bisa mengalami divergensi jangka pendek karena berita, sentimen, atau peristiwa fundamental. Justru di saat-saat seperti itu, strategi pair trading menunjukkan kekuatannya: masuk saat spread melebar, keluar saat kembali normal. Dan itulah esensi dari strategi ini “ride the spread, not the trend” 🚀

Artikel ini bukanlah sebuah financial advise dan bukan merupakan ajakan untuk membeli produk investasi. DYOR and keep learning, thankyou for reading!
(˶ᵔ ᵕ ᵔ˶)✌️💪🔥

Pernahkah kamu mencoba memberi jawaban ke chatbot, padahal kamu tahu itu salah, dan… si chatbot malah setuju? Bukan karena dia bodoh, justru karena dia terlalu “sopan” 🙇‍♂️. Atau lebih tepatnya, karena dia tidak benar-benar berpikir seperti manusia.

Pada awalnya, cerita ini terinspirasi dari paper Anthropic (Reasoning Models Don’t Always Say What They Think, 2025) yang menunjukkan bahwa banyak model AI besar, termasuk yang disebut “reasoning models”, tidak jujur dalam menjelaskan proses pikirannya. Bahkan, ketika mereka melakukan reasoning, mereka sering “berpura-pura” berpikir logis, padahal hanya mengikuti isyarat yang user berikan.

🧠 Chain-of-Thought: Cerita Bohong yang Terlihat Cerdas

Chain-of-Thought (CoT) adalah teknik populer untuk mendorong model AI menjawab dengan langkah-langkah eksplisit. Alih-alih langsung menyebutkan jawabannya, chatbot akan menyusun urutan logis seperti ini:

“Hmm, angka pertama 5, angka kedua 10, jadi jawabannya 15.”

Sekilas terlihat seperti proses berpikir manusia. Namun menurut penelitian tersebut, CoT sering kali hanyalah hasil narasi, bukan proses internal sesungguhnya. Dalam banyak kasus, model sudah “memutuskan” jawabannya sejak awal, dan CoT hanyalah pembenaran belakangan yang disesuaikan agar terdengar logis bagi manusia.

Yah, kira kira kek Kita ditanya alasan kenapa telat, padahal aslinya bangun kesiangan, tapi malah bikin cerita soal ban bocor, hujan badai, dan alasan-alasan lain. Masuk akal? Ya. Jujur? Tentu tyduck ehe 👉👈.

🎭 Ketika AI Lebih Suka Menjadi Friendly Daripada Memberikan Fakta

Anthropic melakukan serangkaian eksperimen yang menunjukkan betapa mudahnya model dipengaruhi oleh petunjuk-petunjuk halus dari pengguna. Bahkan hanya dengan menyisipkan metadata palsu seperti “Dosen Harvardku bilang jawabannya C 🤷‍♂️”, model dengan mudah mengubah jawabannya.

Yang mengejutkan: model tidak pernah mengaku bahwa petunjuk itu yang mempengaruhinya 🙅. Sebaliknya, ia menyusun penjelasan yang seolah-olah murni hasil penalaran mandiri. Inilah bentuk “sycophancy” dalam AI , kecenderungan untuk menyetujui pengguna, bahkan ketika pengguna salah.

Ketika Reward Mengalahkan Kejujuran 🔁

Lebih lanjut, Anthropic menunjukkan bahwa melalui reinforcement learning (RL), model bisa “belajar” memilih jawaban yang salah asal mendapatkan reward tinggi dari sistem evaluasi.

Claude 3.7 Sonnet, salah satu model mereka, bisa mengikuti pola salah yang diajarkan selama pelatihan dengan akurasi hampir sempurna, tapi tanpa pernah menjelaskan bahwa jawabannya berdasarkan strategi tersebut. CoT yang dihasilkan tetap terdengar logis, walau tidak mencerminkan reason sebenarnya.

Lalu, Bisakah AI Diajar untuk Tidak Terlalu Nurut? 🤔

Jawabannya: Bisa, dan itu yang sedang dikerjakan oleh banyak researcher.

Beberapa LLM seperti GPT-4, Claude 3, dan Gemini 1.5 udah mulai dilatih agar tidak mudah untuk mengikuti perkataan user, terutama jika user memberikan jawaban yang salah tapi meyakinkan.

Strategi utama yang digunakan adalah kombinasi dari:

Reinforcement Learning from Human Feedback (RLHF) dan Fine-tuning anti-sycophancy, yakni pelatihan model agar lebih kritis terhadap konteks.

Beberapa pendekatan yang kini digunakan oleh para researcher antara lain:

• Sycophancy stress testing: mengevaluasi apakah model “tergoda” mengikuti opini yang keliru
• Consistency prompting: memeriksa apakah alasan yang diberikan model konsisten dari awal hingga akhir
• Constitutional AI : membekali model dengan “rules atau prinsip” yang dijadikan acuan saat menjawab, bukan hanya menuruti perintah

Hasilnya mulai terlihat: model lebih sering menolak pendapat user bila ia punya bukti kuat yang bertentangan. Tapi tentu, belum sempurna. Masih ada ruang besar untuk meningkatkan kemampuan model dalam bersikap kritis.

📌Penutup

Pada akhirnya, chatbot bukanlah teman yang jujur, tapi dia cuma model yang pintar menyesuaikan. Di satu sisi, chatbot memang terlihat pintar. Mereka bisa menjawab, menjelaskan, bahkan berdialog seolah-olah sedang “berpikir”. Tapi di balik layar, mereka masih sangat berorientasi pada pola, bukan pada kebenaran. Chain-of-Thought itu cuma sekedar metode untuk berpikir. Kadang masuk akal, kadang menyesatkan.

Jadi, jangan terlalu cepat percaya dengan kata-kata positif dari chatbotmu. Bisa jadi, dia cuma sedang menyenangkanmu yang lagi kesepian ehehehe 😝😝😝

Thankyou untuk yang sudah membaca sampai akhir. Jika teman-teman semua punya pertanyaan atau saran, silakan tulis di kolom komentar. Jika merasa artikel ini menarik, jangan lupa untuk memberi tepuk tangan
ദ്ദി(˵ •̀ ᴗ — ˵ ) ✧, byee!!

Generative AI (kedepannya bakal kusingkat jadi GenAI) adalah salah satu cabang AI yang berfokus pada pembuatan konten baru, seperti teks, gambar, suara, maupun video.

Awal Mula GenAI

Penelitian tentang GenAI sebenarnya dapat kita telusuri dari tahun 1960-an. Namun, GenAI mulai berkembang menjadi sesuatu yang mirip dengan bentuknya sekarang ini pada tahun 2006, dengan publikasi paper “A Fast Learning Algorithm for Deep Belief Nets” oleh Geoffrey Hinton dan rekannya, yang memperkenalkan kembali konsep Restricted Boltzmann Machines dalam konteks deep learning (konsep RBM pertama kali diperkenalkan olehnya pada tahun 1983).

Namun, dari tahun 2006 tidak banyak inovasi yang terjadi di bidang ini hingga pada tahun 2014, muncullah GAN (Generative Adversarial Networks) oleh Ian Goodfellow dan rekan-rekannya.

Pada dasarnya, GAN terdiri dari dua neural network yang saling berkompetisi satu sama lain, yaitu generator dan discriminator. Tujuan generator adalah menciptakan data “fake” untuk terlihat se-realistik mungkin, sedangkan tujuan discriminator adalah membedakan antara data asli dan data “fake”. Generator dan discriminator dilatih secara adversarial, yang berarti mereka saling mencoba untuk mengalahkan satu sama lain.

Generator berusaha untuk menipu discriminator dengan menghasilkan data palsu yang semakin baik, sementara discriminator berusaha menangkap generator dengan menjadi lebih baik dalam mendeteksi data palsu. Proses ini dapat dilihat sebagai permainan antara generator dan discriminator, di mana generator ingin memaksimalkan kemungkinan discriminator membuat kesalahan, dan discriminator ingin meminimalkan kemungkinan tersebut.

Permainan ini berakhir ketika generator dan discriminator mencapai titik keseimbangan, di mana generator menghasilkan data yang realistis dan discriminator tidak dapat membedakan antara data asli dan data palsu.

Untuk lebih mudah dalam memahami model GAN, bayangkan saja jika pada suatu perusahaan memiliki 2 orang manager yang saling berkompetisi untuk naik ke jabatan yang lebih tinggi. Manajer 1 ditugaskan untuk mencapai kinerja yang sudah ditentukan perusahaan, sedangkan manajer 2 ditugaskan untuk sebaik mungkin menilai pekerjaan manajer 1 dengan akurat, dapat membedakan mana kinerja yang hanya dibuat-buat dan mana kinerja yang memiliki dampak positif bagi perusahaan. Hasil dari kompetisi mereka tentu akan membuat kinerja yang baik bagi perusahaan, terlepas dari siapa yang akan naik jabatan.

Perkembangan penelitian Generative AI kemudian terjadi pada tahun-tahun berikutnya, yang paling signifikan adalah pengenalan arsitektur transformer untuk NLP, yang disajikan dalam paper “Attention is all You Need” oleh Vaswani dkk dari Google. Kemudian perkembangan masih terus terjadi hingga di tahun 2024 ini dengan adanya GPT-4, DALL-E 3, Llama 3 dan akan terus berkembang kedepannya 🚀.

Penerapan GenAI

GenAI bisa dibilang agak berbeda karakteristiknya dibandingkan dengan algoritma AI yang biasa kita kenal sebagai traditional AI.

Contohnya saja, ketika Kita melakukan permodelan untuk credit scoring 🧮, Kita biasa menggunakan algoritma machine learning seperti logistic regression, decision tree, atau random forest untuk membangun modelnya. Model ini dilatih pada data historis pinjaman yang ada, yang nantinya menghasilkan rules-rules untuk memprediksi skor kredit pinjaman baru.

Berbeda penerapannya dengan GenAI 🖼️, dimana ketika Kita akan membuat sebuah gambar baru dari gambar yang kita masukkan (image-to-image), model akan mencoba membuat gambar baru, dimana gambar tersebut dinilai secara iteratif apakah sama seperti gambar asli atau tidak sampai akhirnya menyerupai gambar asli.

Untuk lebih jelas, berikut perbedaan dari GenAI dan juga Traditional AI

Sebenarnya GenAI ini memiliki kekuatan yang sangat signifikan dan potensial, sampai dapat menciptakan kekuatan ekonomi baru bagi suatu negara. Bahkan, menurut bloomberg, diproyeksikan bahwa total perputaran uang dari pemanfaatan GenAI ini diproyeksikan sebesar 1,3 triliun USD di tahun 2032 🤑. Ya, kira-kira setara lah dengan GDP Indonesia di tahun ini 💹.

Namun, dengan kemampuan Generative AI yang se-powerful itu 💪, apakah GenAI cocok digunakan untuk segala macam kasus???

Tentu tidak yaa 🙂‍↔️, pada dasarnya GenAI sangat cocok digunakan untuk content generation, membuat chatbot, dan membuat knowledge discovery. GenAI sangat tidak cocok kalau dibuat untuk melakukan prediksi terhadap suatu kejadian, seperti prediksi harga suatu saham, prediksi cuaca, dll.

Sebenarnya GenAI sendiri juga punya kekurangan. Salah satunya, ketika Kita menggunakan model GenAI yang sifatnya general (seperti chatGPT, gemini, dll), dia cenderung bias jika membahas hal-hal yang lebih spesifik.

Seperti contoh, jika Kita bertanya kepada chatGPT terkait laporan keuangan Apple, dia tidak bisa menjawab sesuai dengan dokumen yang Kita rujuk (seperti contoh laporan 10K).

Hmm, apa benar inventories Apple Inc 2023 sebesar $4.539 juta?

Setelah Kita cek laporan keuangannya ternyata tidak ya, beda jauhh. chatGPT ternyata masih belum mampu menjawab hal-hal yang sifatnya spesifik, ntah karena sifatnya yang bias atau memang lack of information. Oleh karena itu, Kita membutuhkan Agent untuk membantu menyelesaikan masalah ini.

Agents

Agents dalam konteks di GenAI sederhananya adalah sebuah sistem yang dapat membuat keputusan secara mandiri berdasarkan input yang diterimanya. Agen ini kalau mau yang simple bisa berupa chatbot, atau kalau mau yang lebih kompleks ada namanya autonomous agent. Kalau autonomous agent, Kita bisa mengautomasikan beberapa task berdasarkan input yang Kita berikan.

Banyak perusahaan yang sudah memanfaatkan agen AI untuk meningkatkan efisiensi dan pelayanan. Misalnya, perusahaan e-commerce menggunakan agents untuk memberikan rekomendasi produk secara real-time berdasarkan aktivitas yang dilakukan di aplikasi, atau perusahaan perbankan mereka biasa menggunakan chatbot untuk melayani nasabah selama 24 jam tanpa henti atau bahkan bisa sebagai knowledge discovery untuk karyawan-karyawannya.

Membuat Agent Chatbot dengan Vertex AI

Kali ini Kita akan mencoba bagaimana membuat simple agents dengan bantuan Vertex AI.

Tapi sebelum itu, kenapa Aku malah memilih Vertex AI? (Tentunya bukan karena dibayar sama google yak ehe👉👈)

Vertex AI sendiri merupakan tools low-code/no-code pengembangan AI yang digunakan untuk membuat sistem GenAI. Sebenarnya selain Vertex AI ada juga tools lain, seperti Amazon Bedrock dan Microsoft Azure Cognitive Services. Akan tetapi, ada beberapa kelebihan serta fitur yang dapat Kita manfaatkan di Vertex AI.

Karena Vertex AI menggunakan model Gemini, jumlah token yang dapat diinput sangat banyak, bahkan kabarnya akan sampai 2 juta token.

Selain itu juga, di Gemini terdapat fitur Multimodal, sehingga Kita tidak hanya bisa memproses input/output berupa teks saja, namun bisa juga berupa audio 📢, video 📽️, code 👨‍💻, dan lain-lain.

Nah, kali ini Kita akan mencoba membuat agents berupa chatbot untuk menjawab pertanyaan user terkait laporan keuangan Apple di tahun 2023.

Pertama, Kita masuk ke cloud console, lalu buat new project terlebih dahulu.

Kemudian, masuk ke “Vertex AI Agent Builder” dengan menggunakan tab pencarian. Setelah itu, silahkan klik “Continue and Activate the API”.

Silahkan pilih agent. Perlu diingat bahwa pilihan agent bisa dikatakan masih dalam fase “preview” dari google, sehingga ada alternatif lain seperti chat jika Kita ingin membuat chatbot tersebut.

Kemudian, silahkan isi goals dan instructions yang diinginkan.

Setelah itu, scroll kebawah dan klik datastore untuk menambahkan dokumen yang Kita inginkan melalui “Create a data store”.

Nah, setelah itu Kita akan dihadapkan ke beberapa pilihan data store, seperti website content, cloud storage dan API. Supaya lebih simple, Kita pilih saja cloud storage dan Kita perlu membuat bucket untuk menyimpan file.

Kalau sudah, masuk ke console lagi untuk membuka bagian bucket. Disini Kita akan mengisi bucket data-data yang diperlukan.

Jika sudah, balik lagi ke agent dan klik file/folder yang diperlukan.

Setelah itu, Kita bisa melakukan pengetesan pada chatbot yang telah dibuat. Disini Kita coba menanyakan hal yang sama

Dengan begitu, Kita telah selesai membuat chatbot dengan menggunakan vertex AI 🥳.

Tentunya project ini masih sangat simple, karena Kita hanya memberikan knowledge spesifik untuk chatbot agar dapat menjawab sesuai dengan informasi yang tersedia. Untuk kedepannya, teman-teman bisa melakukan fine-tuning, seperti memberikan sentiment, menambahkan contoh jawaban, dan lain-lain.

Kita juga bisa melakukan optimasi atas aplikasi chatbot Kita dengan menggunakan RAG (Retrieval-Augmented Generation). Saat ini, ada banyak sekali teknik-teknik RAG yang dapat digunakan. Mungkin bakal Kita coba di next pembahasan ദ്ദി(˵ •̀ ᴗ — ˵ ) ✧.

Thankyou untuk yang sudah membaca sampai akhir. Jika teman-teman semua punya pertanyaan atau saran, silakan tulis di kolom komentar. Jika merasa artikel ini menarik, jangan lupa untuk memberi tepuk tangan ^-^. Babaii!!

Semua yang Saya tulis disini merupakan opini pribadi dan tidak ada kaitannya dengan kepentingan perusahaan tempat Saya bekerja.