Integrasi Metrik On-Chain dan Patterned Dataset Model Menggunakan K-Means untuk Potensi Maksimal Profit di Bitcoin
DOI:
https://doi.org/10.33005/santika.v6i1.962Keywords:
Bitcoin, K-Means, On-Chain, Patterned Dataset Model, Machine LearningAbstract
Pasar aset kripto khususnya Bitcoin memiliki volatilitas ekstrem dan pegerakan non-Gaussian yang menyulitkan untuk memprediksi arah harga jika hanya bergantung pada data historis konvesional (OHLC). Penelitian ini mengusulkan sebuah kebaruan dengan mengintegrasikan data pasar tradisonal dan metrik dari on-chain secara spesifik active spending addresses untuk mengekstraksi sinyal perdagangan yang optimal. Data historis dari Agustus 2011 hingga Febuari 2026 diproses menggunakan Patterned Dataset Model untuk mengklasifikasikan kondisi pasar menjadi Complete, Rocket, dan Dip. Algoritma K-Means Clustering kemudian diterapkan untuk memetakan fase akumulasi fundamental. Berdasarkan evaluasi metrik Silhoutte Coefficient dan Davies-Bouildin Index, dataset pada kondisi Dip terbukti menghasilkan struktur cluster pemisahan anomali terbaik. Titik anomali pada cluster harga terendah yang divalidasi oleh lonjakan active spending addresses kemudian diekstraksi sebagai sinyal beli. Pengujian trading rules dengan skenario penahanan aset minimal 24 jam hingga maksimal akhir bulan meunjukkan performa yang sangat baik. Secara keseluruhan model ini berhasil memvalidasi 1.744 sinyal beli dengan tingkat kemenangan mencapai 99.14%, rata-rata Return of Investment (ROI) sebesar 19,49% per transaksi, dan akumulasi profit maksimal hingga 300.612 USD. Hasil ini membuktikan bahwa integrasi metrik on-chain pada dataset berpola kondisi Dip mampu mereduksi risiko sinyal palsu secara signifikan dan memaksimalkan profitabilitas investor
References
S. Nakamoto, “Bitcoin: A peer-to-peer electronic cash system,” Available at SSRN 3440802, 2008.
D. E. Shafira, O. Ferli, E. Haryanti, and E. Wijaya, “Analisis Korelasi dan Pergerakan bersama Saham, Emas dan Bitcoin Studi Kasus Pasar Indonesia,” Journal of Management and Business Review, vol. 20, no. 3, pp. 207–220, 2023.
P. H. Padhila, I. Cholissodin, and P. P. Adikara, “Prediksi Harga Bitcoin berdasarkan Data Historis Harian dan Google Trend Index menggunakan Algoritme Extreme Learning Machine,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 7, pp. 3515–3524, 2022.
A. H. Elsayed, G. Gozgor, and L. Yarovaya, “Volatility and return connectedness of cryptocurrency, gold, and uncertainty: Evidence from the cryptocurrency uncertainty indices,” Financ. Res. Lett., vol. 47, p. 102732, 2022.
Z. Wen, E. Bouri, Y. Xu, and Y. Zhao, “Intraday return predictability in the cryptocurrency markets: Momentum, reversal, or both,” The North American Journal of Economics and Finance, vol. 62, p. 101733, 2022.
R. Parlika and B. Rahmat, “Use of Patterned Datasets (Minimum and Maximum) to predict Bitcoin and Ethereum price movements.,” Technium, vol. 16, 2023.
R. Parlika, R. R. Isnanto, and B. Rahmat, “Prediction of ROI achievements and potential maximum profit on spot Bitcoin Rupiah trading using K-means clustering and patterned dataset model,” JOIV: International Journal on Informatics Visualization, vol. 8, no. 3–2, pp. 1987–2001, 2024.
G. Putri, S. Vernanda, A. Fatmawati, and M. Faiz, “Synergistic Alpha: A Deep Learning Framework for Forecasting Cryptocurrency Returns by Fusing On-Chain, Sentiment, and Market Data,” Enigma in Economics, vol. 3, no. 2, pp. 96–107, 2025.
G. Kim, D.-H. Shin, J. G. Choi, and S. Lim, “A deep learning-based cryptocurrency price prediction model that uses on-chain data,” IEEE Access, vol. 10, pp. 56232–56248, 2022.
K. Alabi, “Digital blockchain networks appear to be following Metcalfe’s Law,” Electron. Commer. Res. Appl., vol. 24, pp. 23–29, 2017.
R. Parlika, M. Mustafid, and B. Rahmat, “Minimum, Maximum, and Average Implementation of Patterned Datasets in Mapping Cryptocurrency Fluctuation Patterns,” JOIV: International Journal on Informatics Visualization, vol. 8, no. 1, pp. 378–386, 2024.
L. Morissette and S. Chartier, “The k-means clustering technique: General considerations and implementation in Mathematica,” Tutor. Quant. Methods Psychol., vol. 9, no. 1, pp. 15–24, 2013.
W. W. Pribadi, A. Yunus, and A. S. Wiguna, “Perbandingan metode K-means euclidean distance dan manhattan distance pada penentuan zonasi covid-19 di kabupaten malang,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 493–500, 2022.
M. R. Mauludin, O. Nurdiawan, and F. M. Basysyar, “Penerapan Algoritma K-Means Clustering Untuk Analisis Kinerja Pengiriman Paket Shopee Express Di Hub Transit Kedawung,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, 2025.
L. B. A. Prasetya, “Clustering Dalam Menentukan Tindak Lanjut HasilAnnual Check Mental Health Dengan Algoritma K-Means,” Computer Based Information System Journal, vol. 13, no. 1, pp. 55–61, 2025.
