ANALISIS KLASTERISASI FASE PASAR BITCOIN BERDASARKAN DATA HARGA HISTORIS MENGGUNAKAN ALGORITMA K-MEANS
Keywords:
Bitcoin, pasar mata uang kripto, data mining, klasterisasi K-Means, analisis fase pasarAbstract
Penelitian ini menggunakan data historis harga Bitcoin periode 2017 hingga 2024 yang terdiri dari variabel open, high, low, close, dan volume (OHLCV). Pesatnya perkembangan pasar keuangan digital telah mendorong peningkatan signifikan dalam aktivitas perdagangan kripto, dengan Bitcoin tetap menjadi aset dominan dari sisi kapitalisasi pasar dan volume transaksi. Pertumbuhan ini menghasilkan data harga historis berskala besar yang memiliki volatilitas tinggi dan dinamika yang kompleks, sehingga identifikasi pola secara manual menjadi tidak efisien dan cenderung subjektif. Oleh karena itu, diperlukan pendekatan data mining untuk mengubah data pasar mentah menjadi informasi yang terstruktur dan objektif sebagai dasar pengambilan keputusan.Penelitian ini bertujuan untuk menganalisis fase-fase pasar Bitcoin dengan menerapkan algoritma K-Means clustering pada data historis harga yang mencakup variabel OHLCV. Tahap prapemrosesan data dilakukan untuk memastikan konsistensi dan keterbandingan antarvariabel, kemudian analisis klaster diimplementasikan menggunakan bahasa pemrograman Python melalui Google Colaboratory. Penentuan jumlah klaster optimal dilakukan dengan metode Elbow. Hasil penelitian menunjukkan bahwa pergerakan pasar Bitcoin dapat dikelompokkan secara efektif ke dalam tiga klaster utama yang merepresentasikan fase pasar dengan aktivitas tinggi, aktivitas sedang, dan kondisi pasar yang relatif stabil. Temuan ini membuktikan bahwa teknik data mining berbasis klasterisasi mampu mengungkap struktur laten pasar dan dapat dijadikan landasan analitis yang sistematis bagi pengembangan sistem informasi pendukung analisis pasar kripto.
Downloads
References
Acharya, J.G.A. (2011) ‘Cluster ensembles’, WIRES Data Mining and Knowledge Discovery, 1. https://doi.org/10.1002/widm.32
Aghabozorgi, S. and Teh, Y.W. (2014) ‘Stock market co-movement assessment using a three-phase clustering method’, Expert Systems with Applications, 41. https://doi.org/10.1016/j.eswa.2013.08.028
Aghabozorgi, S., Shirkhorshidi, A.S. and Wah, T.Y. (2015) ‘Time-series clustering—a decade review’, Information Systems, 53. https://doi.org/10.1016/j.is.2015.04.007
Arbelaitz, O., Gurrutxaga, I., Muguerza, J., Pérez, J.M. and Perona, I. (2013) ‘An extensive comparative study of cluster validity indices’, Pattern Recognition, 46. https://doi.org/10.1016/j.patcog.2012.07.021
Arroyo, J. and Maté, C. (2009) ‘Forecasting histogram time series with k-nearest neighbours methods’, International Journal of Forecasting, 25. https://doi.org/10.1016/j.ijforecast.2008.07.003
Bonanno, G., Caldarelli, G., Lillo, F., Micciche, S., Vandewalle, N. and Mantegna, R.N. (2004) ‘Networks of equities in financial markets’, European Physical Journal B, 38. https://doi.org/10.1140/epjb/e2004-00129-6
Brauneis, A. and Mestel, R. (2019) ‘Cryptocurrency-portfolios in a mean-variance framework’, Finance Research Letters, 28. https://doi.org/10.1016/j.frl.2018.05.008
Chan, S., Chu, J., Nadarajah, S. and Osterrieder, J. (2017) ‘A statistical analysis of cryptocurrencies’, Journal of Risk and Financial Management, 10. https://doi.org/10.3390/jrfm10020012
Charrad, M., Ghazzali, N., Boiteau, V. and Niknafs, A. (2014) ‘NbClust: an R package for determining the relevant number of clusters in a data set’, Journal of Statistical Software, 61. https://doi.org/10.18637/jss.v061.i06
Corbet, S., Lucey, B., Urquhart, A. and Yarovaya, L. (2019) ‘Cryptocurrencies as a financial asset: a systematic analysis’, International Review of Financial Analysis, 62. https://doi.org/10.1016/j.irfa.2018.09.003
D’Urso, P., Giovanni, L. and Massari, R. (2016) ‘Garch-based robust clustering of time series’, Fuzzy Sets and Systems, 305. https://doi.org/10.1016/j.fss.2016.01.010
González-Rivera, G. and Arroyo, J. (2012) ‘Time series modeling of histogram-valued data: the daily histogram time series of S&P500 intradaily returns’, International Journal of Forecasting, 28. https://doi.org/10.1016/j.ijforecast.2011.02.007
Irpino, A. and Verde, R. (2015) ‘Basic statistics for distributional symbolic variables: a new metric-based approach’, Advances in Data Analysis and Classification, 9, pp.241–260. https://doi.org/10.1007/s11634-014-0176-4
Liao, S.-H. and Chou, S.-Y. (2013) ‘Data mining investigation of co-movements on the Taiwan and China stock markets for future investment portfolio’, Expert Systems with Applications, 40. https://doi.org/10.1016/j.eswa.2012.08.075
Song, J., Chang, W. and Song, J. (2019) ‘Cluster analysis on the structure of the cryptocurrency market via bitcoin–ethereum filtering’, Physica A: Statistical Mechanics and its Applications. https://doi.org/10.1016/j.physa.2019.121339
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Laurentina Luisa Br Lase, Eka Ramadanta Sitepu, Muhammad Fahri Rinanda, Isnan Yudi Kurniawan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
