Penerapan algoritma K-Means dalam klusterisasi data Time series harga penutupan Cryptocurrency

Zaki, Naufal (2024) Penerapan algoritma K-Means dalam klusterisasi data Time series harga penutupan Cryptocurrency. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_cover.pdf

Download (558kB) | Preview
[img]
Preview
Text (ABSTRACT)
2_abstract.pdf

Download (25kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_daftarisi.pdf

Download (74kB) | Preview
[img]
Preview
Text (BAB I)
4_bab1.pdf

Download (175kB) | Preview
[img] Text (BAB II)
5_bab2.pdf
Restricted to Registered users only

Download (135kB)
[img] Text (BAB III)
6_bab3.pdf
Restricted to Registered users only

Download (289kB)
[img] Text (BAB IV)
7_bab4.pdf
Restricted to Registered users only

Download (777kB)
[img] Text (BAB V)
8_bab5.pdf
Restricted to Registered users only

Download (378kB)
[img] Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf
Restricted to Registered users only

Download (98kB)

Abstract

Penelitian ini berfokus pada implementasi algoritma K-Means dalam pengelompokan (clustering) cryptocurrency berdasarkan pola pergerakan harga historisnya. Penelitian ini dilaksanakan karena adanya kebutuhan untuk memahami dan mengelompokkan cryptocurrency berdasarkan karakteristik pergerakan harganya, yang dapat membantu dalam analisis dan prediksi pasar. Tujuan utama penelitian ini adalah membangun model machine learning yang mampu mengelompokkan cryptocurrency ke dalam kelompok-kelompok yang memiliki pola pergerakan harga serupa, serta mengevaluasi kinerja model tersebut menggunakan metrik evaluasi yang relevan. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means, diterapkan pada data historis harga penutupan (close) dari berbagai cryptocurrency. Hasil penelitian menunjukkan bahwa model K-Means berhasil mengelompokkan pasangan koin ALICE/USDT (Silhouette Score: 0.758) dan GALA/USDT (Silhouette Score: 0.743) dengan kinerja yang sangat baik, seperti yang ditunjukkan oleh nilai Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index yang optimal. Namun, model kurang optimal dalam mengelompokkan ETH/USDT (Silhouette Score: 0.640), FET/USDT (Silhouette Score: 0.681), dan INJ/USDT (Silhouette Score: 0.702), yang mengindikasikan adanya kompleksitas pergerakan harga pada pasangan koin tersebut. Temuan penelitian ini memberikan wawasan penting tentang potensi penggunaan machine learning dalam analisis dan prediksi pasar cryptocurrency, serta menyarankan arah untuk penelitian lebih lanjut.

Item Type: Thesis (Sarjana)
Uncontrolled Keywords: K-Means, clustering; cryptocurrency; price movement patterns; machine learning
Subjects: Special Computer Methods > Artificial Intelligence
Numerical Analysis > Algorithms
Paleontology, Paleozoology, Paleology > Data Processing Analysis
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User: Naufal Zaki
Date Deposited: 17 Sep 2024 06:00
Last Modified: 17 Sep 2024 06:00
URI: https://digilib.uinsgd.ac.id/id/eprint/98630

Actions (login required)

View Item View Item