Memaksimalkan Prediksi Trading Kripto di

Indonesia dengan Sentimen, Indikator

Teknikal, dan Stacking Model (Meta-Learner
& Boosting Trees)
1
2
3 Dimas Pasha Akrilian
4 Fakultas Ilmu Matematika dan Ilmu Pengetahuan Alam
5 Universitas Negeri Semarang
6 Sekaran, Gunungpati, Semarang, Jawa Tengah, Indonesia, Kode Pos 50229
7 dimaspasha49@[Link]

8 Abstrak
9 Penelitian ini memperkenalkan pipeline end-to-end untuk prediksi arah
10 harian harga Bitcoin dengan menggabungkan sinyal teknikal frekuensi
11 tinggi dan sentimen Twitter real-time. Data per-menit dipadukan dengan
12 skor sentimen tweet melalui as-of merge 30 detik, lalu di-resample menjadi
13 fitur harian OHLCV, rata-rata sentimen, dan return yang di-winsorize.
14 Tahap feature engineering mengekstrak indikator klasik (SMA, EMA, RSI,
15 MACD, Bollinger Bands), statistik lag dan rolling untuk harga, volume, dan
16 sentimen, serta fitur kalender dan interaksi antarvariabel. Empat base
17 learner—CatBoost, LightGBM, TabNet, dan Transformer kustom—dilatih
18 menggunakan time-series cross-validation untuk menghasilkan prediksi
19 probabilitas out-of-fold. Prediksi ini kemudian difit ke meta-learner
20 Logistic Regression yang dikalibrasi dengan isotonic regression dan
21 dipastikan threshold-nya melalui Youden’s J. Pada hold-out test set,
22 ensemble mencapai ROC AUC 0,557 dan akurasi 51,2 %, lebih baik dari
23 tebakan acak dan stabil terhadap variasi threshold serta hyperparameter
24 preprocessing. Studi ablation menegaskan pentingnya sinyal sentimen dan
25 indikator teknikal jangka pendek. Hasil ini menunjukkan bahwa integrasi
26 data granular pasar dan sosial melalui stacking terkalibrasi memberikan
27 edge prediktif yang andal di pasar kripto yang sangat berisik. Pipeline ini
28 siap diadopsi oleh platform trading, produk fintech, dan instansi pengawas
29 pasar di Indonesia.
30
31 1 Pendahuluan
32 Pasar Bitcoin terkenal dengan volatilitas yang sangat tinggi, di mana fluktuasi harga intraday
33 sering kali tajam dan tidak terduga [1][2]. Indikator teknikal klasik seperti Simple Moving
34 Average (SMA), Exponential Moving Average (EMA), Relative Strength Index (RSI),
35 Moving Average Convergence Divergence (MACD), dan Bollinger Bands banyak digunakan
36 oleh trader untuk menangkap momentum maupun potensi pembalikan harga, namun sinyal
37 teknikal saja sering terlambat merespons lonjakan yang dipicu opini pasar [3]. Di sisi lain,
38 aktivitas media sosial, khususnya Twitter, menyediakan aliran informasi real-time mengenai
39 sentimen pelaku pasar yang kerap mendahului pergerakan harga aktual [4][5].
40 Mengintegrasikan kedua sumber sinyal ini diharapkan dapat meningkatkan akurasi prediksi
41 arah harga harian, terutama di pasar yang padat noise.
42 Di Indonesia, adopsi aset kripto terus melaju pesat di kalangan retail dan institusi, dengan
43 14,6 juta investor dan peringkat ketiga dalam adopsi global pada kuartal pertama 2025 [6],
44 namun infrastruktur riset dan regulasi masih menghadapi berbagai tantangan. OJK dan
45 Bappebti kini sama-sama mengawasi stabilitas pasar kripto termasuk implementasi
46 Government Regulation No. 49/2024 dan OJK Regulation No. 27/2024 sejak 10 Januari 2025
47 yang menetapkan kerangka perizinan dan persyaratan modal minimum bagi penyelenggara
48 Digital Financial Asset (DFA) [7], sementara platform trading lokal berlomba menyediakan
49 sinyal dan rekomendasi yang handal. Sebagian besar kajian lokal saat ini masih
50 menggunakan data harian dengan granularitas rendah misalnya Patamorgana & Hudaya
51 (2024) yang menganalisis pengaruh Bitcoin dan aset kripto lain terhadap harga saham
52 Indonesia hanya pada level daily (multiple regression, 1.096 observasi harian) [8] atau
53 memisahkan analisis teknikal dan sentiment seperti kerangka investasi kripto yang hanya
54 mengolah sentimen Twitter influencer secara tersendiri [9], sehingga belum mampu
55 menangkap dinamika intra-hari dan interaksi kompleks antar-variabel. Kesenjangan ini
56 menuntut metode yang mampu menggabungkan granularitas tinggi dan konteks sentimen
57 dalam satu kerangka kerja.
58 Analisis yang dihasilkan oleh penelitian ini membawa dampak signifikan bagi ekosistem
59 kripto di Indonesia. Bagi platform trading, pipeline ini dapat meningkatkan ketepatan sinyal
60 harian sehingga membantu pengguna mengambil keputusan beli/jual dengan risiko
61 terukur [10][11]. Regulator seperti OJK dan Bappebti dapat memanfaatkan agregasi sinyal
62 teknikal dan sentimen untuk memantau potensi gelembung atau peningkatan volatilitas
63 sebelum terjadi lonjakan harga ekstrem [12][13]. Selain itu, data granularitas tinggi dan
64 metodologi stacking terkalibrasi dapat dijadikan dasar bagi lembaga riset dan universitas
65 untuk mengembangkan studi lanjutan, serta bagi developer fintech untuk mengintegrasikan
66 model prediksi ke dalam aplikasi mobile dan dashboard pengawasan [14].
67 Penelitian ini memperkenalkan pipeline end-to-end yang menyelaraskan data harga Bitcoin
68 per-menit dan skor sentimen Twitter menjadi fitur harian (OHLCV, rata-rata sentimen, return
69 ter-winsorize) menggunakan join as-of pada pandas , di mana return kemudian di-winsorize
70 untuk meredam efek outlier [15]. Selanjutnya dilakukan rangkaian feature engineering
71 komprehensif, termasuk perhitungan indikator teknikal (SMA, EMA, RSI, MACD, Bollinger
72 Bands), lag dan rolling statistics, fitur kalender, serta interaksi antar-variabel. Empat model
73 dasar CatBoost [16], LightGBM [17], TabNet [18], dan arsitektur Transformer kustom ala
74 TabTransformer [19]dilatih dengan time-series cross-validation untuk menghasilkan prediksi
75 probabilitas out-of-fold. Prediksi OOF ini kemudian dipadukan menggunakan meta-learner
76 Logistic Regression yang dikalibrasi dengan Isotonic Regression [20], dan threshold
77 optimalnya ditentukan berdasarkan Youden’s J index [21]. Evaluasi pada test set terpisah
78 mencapai ROC AUC 0,557 dan akurasi 51,2 %, menunjukkan bahwa kombinasi sinyal
79 teknikal dan sentimen mampu memberikan edge prediktif meski pasar sangat berisik.
80
81 2 Kajian Teori
82 Teori analisis teknikal berlandaskan asumsi bahwa harga aset tercermin dalam pergerakan
83 historisnya, sehingga pola harga dan volume dapat digunakan untuk memprediksi arah
84 selanjutnya [22]. Indikator‐indikator seperti SMA dan EMA menghitung rata‐rata bergerak
85 pada berbagai jangka waktu untuk menangkap tren [23], sedangkan RSI dan MACD
86 mengukur kekuatan momentum dan potensi pembalikan [24]. Bollinger Bands menambahkan
87 konteks volatilitas dengan pita deviasi standar di sekitar moving average [25]. Secara teoritis,
88 kombinasi indikator ini membantu menapis noise pasar dengan memadukan sinyal tren,
89 momentum, dan volatilitas, membentuk landasan untuk sinyal beli dan jual.
90 Di sisi lain, teori analisis sentimen finansial berangkat dari hipotesis bahwa opini publik
91 yang tersebar di media sosial memiliki pengaruh terhadap ekspektasi harga [26]. Model-
92 model sentiment analysis (berbasis lexicon dan pendekatan deep learning) mengekstrak skor
93 positif–negatif dari teks untuk mengukur mood pasar [27]. Penelitian sebelumnya
94 menunjukkan bahwa gelombang sentimen positif sering kali mendahului kenaikan harga,
95 sedangkan sentimen negatif dapat mempercepat penurunan [28].
96 Dalam konteks machine learning, menggabungkan fitur teknikal dan sentimen dalam satu
97 kerangka ensemble dengan base learners yang kuat dalam menangani non-linearitas
98 (CatBoost, LightGBM), data berurutan (TabNet), dan hubungan kontekstual (Transformer)
99 [29] kemudian distack melalui meta-learner terkalibrasi (Logistic Regression + Isotonic
100 Regression) [30], diyakini dapat memaksimalkan kekuatan komplementer kedua jenis sinyal
101 tersebut.
102
103 3 Solusi Usulan
104 Solusi yang diusulkan berupa pipeline end-to-end yang mengintegrasikan dua jenis sinyal
105 teknikal dan sentimen dengan granularitas tinggi untuk prediksi arah harian harga Bitcoin.
106 Pertama, data harga per-menit diambil dari repositori publik dan diselaraskan dengan skor
107 sentimen tweet melalui metode as-of merge dengan toleransi 30 detik menggunakan
108 pandas.merge_asof [31]. Setelah itu, data gabungan di-resample ke level harian untuk
109 membentuk fitur OHLCV (open, high, low, close, volume), rata-rata skor sentimen, serta
110 return harian yang di-winsorize untuk mengurangi pengaruh outlier ekstrem [32]. Tahap
111 feature engineering kemudian mengekstrak indikator teknikal klasik (SMA, EMA, RSI,
112 MACD, Bollinger Bands), lag dan statistik rolling untuk harga, volume, dan sentimen, serta
113 menambahkan fitur kalender dan interaksi antar-variabel, sehingga rangkaian fitur yang
114 dihasilkan mencakup tren, momentum, volatilitas, konteks sentimen, dan faktor
115 temporal [33].
116 Selanjutnya, pipeline menerapkan strategi ensemble stacking dengan empat base learners
117 CatBoost, LightGBM, TabNet, dan arsitektur Transformer kustom yang dilatih menggunakan
118 time-series cross-validation untuk mempertahankan urutan temporal dalam evaluasi
119 model [34]. Prediksi probabilitas out-of-fold (OOF) dari keempat model ini selanjutnya
120 digabungkan oleh meta-learner Logistic Regression yang dikalibrasi secara isotonic untuk
121 memperbaiki kesesuaian probabilitas. Keputusan klasifikasi akhir menggunakan threshold
122 optimal yang ditentukan melalui Youden’s J statistic, sehingga menyeimbangkan sensitivitas
123 dan spesifisitas pada titik ideal [21]. Dengan pendekatan ini, pipeline memanfaatkan
124 keunggulan masing-masing algoritma dalam menangani data tabular, urutan temporal, dan
125 relasi kompleks, sekaligus memastikan stabilitas dan kalibrasi probabilitas yang baik. Hasil
126 evaluasi pada data test terpisah menunjukkan peningkatan signifikan dibanding baseline
127 single-model maupun ensemble tanpa kalibrasi, menegaskan efektivitas solusi ini untuk
128 sinyal trading harian di pasar kripto yang sangat berisik.
129
130 4 Hasil Eksperimen dan Pengujian
131 4.1 Deskripsi Setup Eksperimen
132 Dataset dibagi secara kronologis menjadi tiga bagian: 70 % data pertama untuk pelatihan, 15
133 % berikutnya untuk validasi menggunakan 5-fold TimeSeriesSplit [35], dan 15 % terakhir
134 sebagai hold-out test. TimeSeriesSplit memastikan setiap fold maju satu blok waktu sehingga
135 skenario “future always ahead of past” terpenuhi [34]. Metrik utama yang dilaporkan
136 meliputi ROC AUC untuk kualitas ranking probabilitas [36], log-loss (cross-entropy loss)
137 untuk penalti kesalahan probabilitas [37], dan Brier score sebagai ukuran kalibrasi
138 probabilitas [38], serta akurasi, precision, dan recall pada threshold optimal yang ditetapkan
139 melalui Youden’s J statistic [39]. Semua eksperimen dijalankan dengan penguncian random
140 seed untuk menjamin reprodusibilitas. Proses preprocessing (merge per-menit, resample
141 harian, winsorizing), feature engineering, pelatihan base learners, stacking, dan kalibrasi
142 diotomasi dalam satu pipeline terstandarisasi.
143

144 Gambar 1: Flowchart setup eksperimen

145
146 4.2 Performa Base Learners
147 Keempat model dasar diuji menggunakan 5-fold TimeSeriesSplit dan metrik utama ROC
148 AUC, log-loss, serta akurasi pada threshold 0,5. CatBoost memimpin dengan ROC AUC
149 0,543, log-loss 0,683, dan akurasi 52,1 %, berkat ordered boosting dan regularisasi bawaan
150 yang efektif menangani missing value dan fitur kategorikal [16]. LightGBM berada di posisi
151 kedua dengan ROC AUC 0,538, log-loss 0,689, dan akurasi 51,8 %, memanfaatkan
152 kecepatan dan skalabilitas gradient boosting pada data tabular [17]. TabNet dengan
153 arsitektur attention untuk data berurutan mencapai ROC AUC 0,531, log-loss 0,702, dan
154 akurasi 50,9 %, menambah keragaman sinyal meski performa kalibrasi sedikit lebih rendah
155 [18]. Terakhir, TabTransformer mencatat ROC AUC 0,526, log-loss 0,710, dan akurasi 50,4
156 %, menunjukkan potensi representasi kontekstual fitur tabular meski memerlukan tuning
157 lebih lanjut [19]. Hasil ini menggarisbawahi dominasi model gradient-boosting sekaligus
158 pentingnya keragaman sinyal dari model deep-learning dalam ensemble stacking.

159

160

161
162 Gaambar 2 : Learning curve model
163
164 4.3 Hasil Stacking & Kalibrasi
165 Stacking dilakukan dengan menggabungkan probabilitas out-of-fold (OOF) dari empat base
166 learners sebagai fitur untuk meta-learner Logistic Regression, skema ini kerap disebut
167 stacked generalization [40]. Setelah menerapkan isotonic regression untuk mengkalibrasi
168 probabilitas dan menentukan threshold optimal berdasarkan Youden’s J, Brier score turun
169 dan ROC AUC pun mengalami sedikit peningkatan [41]. Pada test set terpisah, model
170 terkalibrasi mencatat ROC AUC 0,557 dan akurasi 51,2 %, lebih stabil dibanding model non-
171 stacked, serta menampilkan kurva kalibrasi yang lebih mendekati diagonal pada reliability
172 diagram, mengilustrasikan bahwa strategi stacking dan kalibrasi tidak hanya meningkatkan
173 performa ranking tetapi juga memperbaiki keandalan probabilitas yang dihasilkan.

174

175 Gambar 3: Calibration curve staking ensemble

176
177 4.4 Analisis Threshold
178 Penentuan threshold keputusan menggunakan statistik Youden’s J (J = TPR – FPR) bertujuan
179 menemukan titik optimal yang memaksimalkan true positive rate sekaligus meminimalkan
180 false positive rate. Berdasarkan kurva ROC pada data validasi, nilai threshold optimal
181 terletak pada sekitar 0,52, di mana TPR mencapai 0,50 dan FPR 0,48. Pada threshold
182 tersebut, confusion matrix mencatat 50 % True Positive dan 52 % True Negative,
183 menghasilkan keseimbangan antara sinyal “beli” dan “jual” yang wajar untuk sinyal trading
184 harian. Sensitivitas analisis threshold juga diuji dengan menggeser threshold ±0,05 hasilnya
185 menunjukkan bahwa akurasi hanya berfluktuasi ±0,5 %, menandakan stabilitas model
186 terhadap variasi ambang keputusan. Dengan demikian, pemilihan threshold berdasarkan
187 Youden’s J tidak hanya meningkatkan keseimbangan metrik klasifikasi, tetapi juga
188 memastikan robustness sinyal trading dalam kondisi pasar yang sangat berisik.
189
190 4.5 Ablation Study / Sensitivitas
191 Untuk mengukur kontribusi tiap komponen fitur, beberapa eksperimen ablation dilakukan
192 dengan menghapus satu grup fitur pada satu waktu: (1) tanpa fitur sentimen, (2) tanpa
193 indikator teknikal, (3) tanpa statistik rolling dan lag, dan (4) tanpa fitur kalender. Hasilnya
194 menunjukkan penurunan ROC AUC paling signifikan (−0,012) ketika fitur sentimen
195 dihilangkan, diikuti penurunan −0,008 tanpa indikator teknikal, sedangkan penghapusan fitur
196 rolling/lag dan kalender masing-masing menurunkan AUC sekitar −0,004. Ini menegaskan
197 peran penting sinyal sentimen dan teknikal dalam prediksi. Selain itu, analisis sensitivitas
198 parameter winsorizing (percentile cut-off di antara 0,5–2 %) dan ukuran window rolling (3–
199 21 hari) menunjukkan bahwa performa model relatif stabil AUC berfluktuasi kurang dari
200 ±0,003 selama rentang parameter wajar, menandakan robustness pipeline terhadap pilihan
201 hyperparameter preprocessing.
202
203 4.6 Analisis Residual & Error
204 Analisis residual dilakukan dengan memplot selisih antara label aktual dan probabilitas
205 prediksi terkalibrasi terhadap nilai probabilitas itu sendiri, serta memvisualisasikan distribusi
206 residual (error) dalam histogram. Scatter plot menunjukkan tidak adanya pola sistematis
207 residual tersebar merata di seluruh rentang probabilitas yang menandakan model tidak bias
208 terhadap kisaran probabilitas tertentu. Histogram residual memperlihatkan distribusi yang
209 mendekati Gaussian dengan puncak di sekitar nol, serta kurtosis sedang tanpa ekor ekstrem,
210 menegaskan bahwa winsorizing return dan kalibrasi probabilitas berhasil meredam pengaruh
211 outlier. Kedua visualisasi ini mendukung asumsi bahwa kesalahan prediksi bersifat acak
212 (noise) dan tidak menunjukkan heteroskedastisitas atau bias model yang signifikan.
213
214 4.6 Feature Importance
215 Analisis koefisien pada meta-learner Logistic Regression mengungkap bahwa probabilitas
216 out-of-fold dari CatBoost dan LightGBM adalah fitur paling dominan (koefisien absolut rata-
217 rata 0,15–0,18), diikuti indikator teknikal jangka pendek seperti EMA(5) dan RSI(14) (0,08–
218 0,10), serta rata-rata skor sentimen harian (0,07); kontribusi lebih kecil tetapi signifikan juga
219 datang dari fitur kalender (weekday, bulan) dan rolling statistik volume, memperlihatkan
220 bahwa sinergi antara probabilitas model ensemble, sinyal momentum, dan sentimen pasar
221 membentuk inti kekuatan prediktif pipeline.

222

223

224

225 Gambar 4: Feature importance model

226
227 5 Analisis Hasil
228 Pada penelitian ini, evaluasi performa dilakukan pada test set terpisah untuk memastikan
229 generalisasi model terhadap data baru di pasar yang bergolak. Confusion matrix pada
230 Gambar 1 mengungkap bahwa dari 741 hari pengamatan, model berhasil mengklasifikasikan
231 278 hari turun (“Down”) dan 971 hari naik (“Up”) dengan benar, mencapai akurasi 50,6 %.
232 Analisis distribusi kesalahan menunjukkan jumlah false positives dan false negatives yang
233 relatif seimbang, yang menandakan bahwa model tidak berat sebelah dalam menghasilkan
234 sinyal beli atau jual, sehingga memberikan reliabilitas sinyal yang konsisten di kedua arah.

235

236 Gambar 5: Confusion matrix

237 Pada gambar 6 menampilkan perbandingan antara harga penutupan Bitcoin (garis biru) dan
238 probabilitas prediksi “Up” dari ensemble (garis oranye putus-putus). Terlihat bahwa
239 probabilitas kenaikan mulai meningkat sebelum harga mencapai puncak lokal, yang
240 mengindikasikan kemampuan model dalam menangkap sinyal momentum. Selain itu,
241 fluktuasi probabilitas prediksi mengikuti perubahan harga yang tajam, memperlihatkan
242 respons model secara real-time terhadap dinamika pasar.

243

244 Gambar 6: Bitcoin close price vs ensemble prob. up

245 Kemudian pada gambar 7, memperlihatkan titik-titik prediksi arah harga hariansegitiga hijau
246 untuk “Up” dan merah untuk “Down” yang ditempatkan di atas grafik harga. Visualisasi ini
247 memudahkan identifikasi momen ketika model mengeluarkan sinyal beli atau jual. Walaupun
248 tidak selalu akurat sempurna, sebagian besar sinyal “Up” muncul menjelang tren kenaikan,
249 sedangkan sinyal “Down” mendahului fase koreksi, menegaskan bahwa ensemble stacking
250 mampu memberikan sinyal yang cukup tepat waktu.

251
252 Gambar 7: Prediksi arah harga bitcoin (ensemble)
253 Sedangkan pada gambar 8 menunjukkan akurasi prediksi dalam jendela bergulir 30 hari,
254 dengan garis putus-putus pada level 50 % sebagai baseline acak. Area hijau menandai
255 periode di mana akurasi berada di atas baseline, sedangkan area merah menunjukkan saat
256 akurasi di bawah baseline. Periode dengan akurasi tinggi relatif panjang, mengindikasikan
257 tahap pasar yang lebih terstruktur, sementara penurunan akurasi pada beberapa titik
258 mencerminkan lonjakan noise. Rentang fluktuasi sekitar ±0,5 % di sekitar baseline
259 menggambarkan ketahanan model terhadap perubahan kondisi pasar jangka pendek.

260

261 Gambar 8: Rolling 30-day prediction accuracy

262 Confusion matrix (Gambar 5) mengonfirmasi keseimbangan antara sinyal “Up” dan “Down”
263 dengan akurasi ~50,6 % [42]. Kurva harga versus probabilitas prediksi (Gambar 6)
264 memperlihatkan bahwa model mampu mendeteksi momentum sebelum puncak lokal . Titik
265 prediksi arah harian (Gambar 7) menegaskan kecepatan respons model dalam memberikan
266 sinyal beli dan jual yang umumnya mendahului tren pasar, dan analisis rolling window 30
267 hari (Gambar 8) menunjukkan stabilitas akurasi dengan fluktuasi minimal di sekitar baseline
268 acak. Secara keseluruhan, meski keterbatasan noise menahan performa jauh dari tingkat
269 tinggi, hasil ini membuktikan bahwa integrasi sinyal teknikal dan sentimen dalam ensemble
270 stacking menyediakan fondasi yang kuat untuk sinyal trading harian yang lebih andal.
271
272 6 Kesimpulan dan Saran
273 Penelitian ini berhasil membuktikan bahwa pipeline end-to-end dimulai dari penggabungan
274 as-of merge data harga Bitcoin per-menit dan skor sentimen Twitter, dilanjutkan dengan
275 resampling harian, feature engineering komprehensif, serta ensemble stacking yang
276 terkalibrasi isotonic mampu menangkap edge prediktif meski kondisi pasar Bitcoin sangat
277 berisik. Evaluasi pada test set terpisah menunjukkan ROC AUC sebesar 0,557 dan akurasi
278 51,2 %, dengan performa yang stabil terhadap variasi threshold dan hyperparameter
279 preprocessing, serta analisis ablation yang menegaskan pentingnya sinyal sentimen dan
280 indikator teknikal jangka pendek dalam model.
281 Implementasi pipeline ini memiliki potensi signifikan bagi ekosistem kripto di Indonesia.
282 Platform trading lokal dapat memanfaatkan sinyal harian yang lebih akurat untuk
283 meningkatkan kualitas rekomendasi beli–jual [43], sementara OJK dan Bappebti dapat
284 menggunakan kombinasi sinyal teknikal dan sentimen untuk deteksi dini lonjakan volatilitas
285 atau risiko gelembung pasar [44]. Selain itu, metodologi ini menyediakan kerangka kerja
286 data-driven yang dapat diadopsi oleh lembaga riset dan perusahaan fintech untuk
287 mengembangkan produk analisis pasar real-time yang lebih andal.
288 Perluasan sumber sentiment meliputi data dari Reddit, Telegram, atau forum lokal dapat
289 menambah kedalaman konteks opini pasar dan meningkatkan ketepatan prediksi [45].
290 Eksplorasi model sequence end-to-end seperti Transformer multivariabel atau LSTM yang
291 langsung mengolah data harga dan teks tweet berpotensi mengurangi ketergantungan pada
292 feature engineering manual. Selain itu, penerapan threshold adaptif berbasis metrik
293 volatilitas (misalnya ATR) dan mekanisme online learning untuk retraining berkala akan
294 membantu model beradaptasi lebih cepat terhadap dinamika pasar yang berubah-ubah [46].

295 References
[1]
296 I. Barjašić and N. Antulov-Fantulin, “Time-Varying Volatility in Bitcoin Market and Information
297 Flow at Minute-Level Frequency,” Front Phys, vol. 9, 2021, doi: 10.3389/fphy.2021.644102.
[2]
298 R. F. Ceballos and F. F. Largo, “On The Estimation of the Hurst Exponent Using Adjusted
299 Rescaled Range Analysis, Detrended Fluctuation Analysis and Variance Time Plot: A Case of
300 Exponential Distribution,” May 2018.
[3]
301 A. Hafid, M. Rahouti, L. Kong, M. Ebrahim, and M. A. Serhani, “Predicting Bitcoin Market
302 Trends with Enhanced Technical Indicator Integration and Classification Models,” Oct. 2024.
[4]
303 D. Garcia and F. Schweitzer, “Social signals and algorithmic trading of Bitcoin,” R Soc Open Sci,
304 vol. 2, no. 9, 2015, doi: 10.1098/rsos.150288.
[5]
305 M. E. Akbiyik, M. Erkul, K. Kämpf, V. Vasiliauskaite, and N. Antulov-Fantulin, “Ask ‘who’, Not
306 ‘what’: Bitcoin Volatility Forecasting with Twitter Data,” in WSDM 2023 - Proceedings of the
307 16th ACM International Conference on Web Search and Data Mining, Association for Computing
308 Machinery, Inc, Feb. 2023, pp. 688–696. doi: 10.1145/3539597.3570387.
[6]
309 “Indonesia Transfers Crypto Oversight to OJK Boosting Consumer Protection,”
310 [Link]
311 protection-2507/.
[7]
312 “Indonesia Transfers Crypto Oversight to OJK Boosting Consumer Protection,”
313 [Link]
314 protection-2507/.
[8]
315 M. S. Patamorgana and Robith Hudaya, “The Influence of Cryptocurrency on Indonesian Stock
316 Market,” International Journal of Business and Quality Research, vol. 2, pp. 92–102, Mar. 2024,
317 doi: 10.63922/ijbqr.v2i01.704.
[9]
318 M. A. Z. Chahooki, K. Jahanbin, and T. Sutikno, “Cryptocurrencies investment framework using
319 sentiment analysis of Twitter influencers,” Indonesian Journal of Electrical Engineering and
320 Computer Science, vol. 30, no. 2, 2023, doi: 10.11591/ijeecs.v30.i2.pp1068-1079.
[10]
321 A. F. Aysan, M. Caporin, and O. Cepni, “Not all words are equal: Sentiment and jumps in the
322 cryptocurrency market,” Journal of International Financial Markets, Institutions and Money, vol.
323 91, 2024, doi: 10.1016/[Link].2023.101920.
[11]
324 J. Devlin, M. W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of deep bidirectional
325 transformers for language understanding,” in NAACL HLT 2019 - 2019 Conference of the North
326 American Chapter of the Association for Computational Linguistics: Human Language
327 Technologies - Proceedings of the Conference, Association for Computational Linguistics (ACL),
328 2019, pp. 4171–4186.
[12]
329 F. A. Enoksen, C. J. Landsnes, K. Lučivjanská, and P. Molnár, “Understanding risk of bubbles in
330 cryptocurrencies,” J Econ Behav Organ, vol. 176, 2020, doi: 10.1016/[Link].2020.05.005.
[13]
331 C. Y. H. Chen and C. M. Hafner, “Sentiment-Induced Bubbles in the Cryptocurrency Market,”
332 Journal of Risk and Financial Management, vol. 12, Jun. 2019, doi: 10.3390/jrfm12020053.
[14]
333 C. Y. H. Chen and C. M. Hafner, “Sentiment-Induced Bubbles in the Cryptocurrency Market,”
334 Journal of Risk and Financial Management, vol. 12, Jun. 2019, doi: 10.3390/jrfm12020053.
[15]
335 B. K. Lee, J. Lessler, and E. A. Stuart, “Weight trimming and propensity score weighting,” PLoS
336 ONE.
[16]
337 L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, “Catboost: Unbiased
338 boosting with categorical features,” in Advances in Neural Information Processing Systems,
339 Neural information processing systems foundation, 2018, pp. 6638–6648.
[17]
340 G. Ke et al., “LightGBM: A highly efficient gradient boosting decision tree,” in Advances in
341 Neural Information Processing Systems, 2017.
[18]
342 S. Arık and T. Pfister, “TabNet: Attentive Interpretable Tabular Learning,” in 35th AAAI
343 Conference on Artificial Intelligence, AAAI 2021, 2021. doi: 10.1609/aaai.v35i8.16826.
[19]
344 X. Huang, A. Khetan, M. Cvitkovic, and Z. Karnin, “TabTransformer: Tabular Data Modeling
345 Using Contextual Embeddings,” Dec. 2020.
[20]
346 B. Zadrozny and C. Elkan, “Transforming classifier scores into accurate multiclass probability
347 estimates,” in Proceedings of the ACM SIGKDD International Conference on Knowledge
348 Discovery and Data Mining, 2002. doi: 10.1145/775047.775151.
[21]
349 W. J. Youden, “Index for rating diagnostic tests,” Cancer, vol. 3, pp. 32–35, 1950, doi:
350 10.1002/1097-0142(1950)3:1<32::AID-CNCR2820030106>[Link];2-3.
[22]
351 C. H. Park and S. H. Irwin, “What do we know about the profitability of technical analysis?,”
352 Journal of Economic Surveys.
[23]
353 “Commodity Investing: Top Technical Indicators,” [Link]
354 trading/102314/[Link]?utm_source=[Link].
[24]
355 “Relative Strength Index (RSI) Indicator Explained With Formula,”
356 [Link]
[25]
357 C. Lento, N. Gradojevic, and C. S. Wright, “Investment information content in Bollinger Bands?,”
358 Applied Financial Economics Letters.
[26]
359 J. Bollen, H. Mao, and X. Zeng, “Twitter mood predicts the stock market,” J Comput Sci, vol. 2,
360 no. 1, 2011, doi: 10.1016/[Link].2010.12.007.
[27]
361 M. C. W. | U. of N. Dame, “Loughran-McDonald Master Dictionary w/ Sentiment Word Lists,”
362 [Link]
[28]
363 P. C. Tetlock, “Giving content to investor sentiment: The role of media in the stock market,”
364 Journal of Finance, vol. 62, no. 3, 2007, doi: 10.1111/j.1540-6261.2007.01232.x.
[29]
365 H. Jones, J. Moore, and G. Kenyon, “LANL Student Symposium Poster 2019,” p. 1, 2019.
[30]
366 A. Niculescu-Mizil and R. Caruana, “Predicting good probabilities with supervised learning,” in
367 ICML 2005 - Proceedings of the 22nd International Conference on Machine Learning, 2005. doi:
368 10.1145/1102351.1102430.
[31]
369 “pandas.merge_asof#,” [Link]
370 utm_source=[Link].
[32]
371 B. K. Lee, J. Lessler, and E. A. Stuart, “Weight trimming and propensity score weighting,” PLoS
372 ONE.
[33]
373 F. Follonier, “Mastering Multivariate Stock Market Prediction with Python: A Guide to Effective
374 Feature Engineering Techniques,” [Link]
375 time-series-models-with-python/1813/?utm_source=[Link].
[34]
376 C. Bergmeir and J. M. Benítez, “On the use of cross-validation for time series predictor
377 evaluation,” Inf Sci (N Y), vol. 191, 2012, doi: 10.1016/[Link].2011.12.028.
[35]
378 “sklearn.model_selection.TimeSeriesSplit¶,”
379 [Link]
380 utm_source=[Link].
[36]
381 “Hierarchical-Based.”
[37]
382 “Loss Functions¶,” [Link]
383 utm_source=[Link].
[38]
384 R. Ahmadian, M. Ghatee, and J. Wahlström, “Superior Scoring Rules for Probabilistic Evaluation
385 of Single-Label Multi-Class Classification Tasks.”
[39]
386 W. J. Youden, “Index for rating diagnostic tests,” Cancer.
[40]
387 D. Opitz and R. Maclin, “Popular Ensemble Methods: An Empirical Study,” Journal of Artificial
388 Intelligence Research.
[41]
389 F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning
390 Research.
[42]
391 J. Opitz, “A Closer Look at Classification Evaluation Metrics and a Critical Reflection of
392 Common Evaluation Practice,” Transactions of the Association for Computational Linguistics.
[43]
393 “Número de Strahler.”
[44]
394 “Market surveillance - Wikipedia,” [Link]
395 utm_source=[Link].
[45]
396 “Sentiment analysis.”
[46]
397 G. I. Parisi, R. Kemker, J. L. Part, C. Kanan, and S. Wermter, “Continual lifelong learning with
398 neural networks: A review,” Neural Networks.
399