DETEKSI ANOMALI HARGA BITCOIN MENGGUNAKAN VARIATIONAL AUTOENCODER DAN EXTREME VALUE THEORY
DOI:
https://doi.org/10.23960/jitet.v13i2.6306Abstract Views: 298 File Views: 216
Abstract
Deteksi anomali pada harga Bitcoin menjadi tantangan penting dalam menganalisis volatilitas pasar cryptocurrency. Fluktuasi yang tajam dan tak terduga memerlukan metode yang sensitif dalam mendeteksi peristiwa ekstrim. Penelitian ini mengusulkan Kombinasi Variational Autoencoder(VAE) dan Extreme Value Theory(EVT) untuk mendeteksi anomali. Data yang digunakan diambil dari situs web investing.com, yang mencakup 1461 data pelatihan, 151 data validasi dan 500 data uji. VAE digunakan untuk menghitung rekonstruksi error, kemudian data dianalisis menggunakan EVT untuk memodelkan distribusi tail error menggunakan Generalized Pareto Distribution (GPD). Anomali didefinisikan berdasarkan threshold yang dihitung dari persentil distribusi error, dengan deteksi lebih sensitif terhadap data ekstrem. Metode ini diuji dengan menghitung metrik precision, recall, F1-score, dan accuracy. Hasil menunjukkan bahwa kombinasi VAE dan EVT efektif dalam mendeteksi anomali ekstrem, dengan hasil evaluasi yang baik dan akurat. Penelitian ini berkontribusi pada pengembangan model deteksi anomali yang lebih tangguh, terutama untuk pasar cryptocurrency yang sangat volatil. Hasil ini penting untuk mengidentifikasi potensi risiko atau peluang dalam pasar yang sangat volatil.
Downloads
References
S. Nakamoto, “Bitcoin: A Peer-to-Peer Electronic Cash System,” 2008. [Online]. Available: www.bitcoin.org
C. Rose, “The Evolution Of Digital Currencies: Bitcoin, A Cryptocurrency Causing A Monetary Revolution,” Aug. 2015.
D. R. K. Saputra, Y. V. Via, and A. N. Sihananto, “DETEKSI ANOMALI MENGGUNAKAN ENSEMBLE LEARNING DAN RANDOM OVERSAMPLING PADA PENIPUAN TRANSAKSI KEUANGAN,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4910.
D. Widyanti, S. Sudarno, and T. Widiharih, “ANALISIS VOLATILITAS BITCOIN MENGGUNAKAN MODEL ARCH DAN GARCH,” Jurnal Gaussian, vol. 12, no. 2, pp. 254–265, Jul. 2023, doi: 10.14710/j.gauss.12.2.254-265.
S. Zavrak and M. Iskefiyeli, “Anomaly-Based Intrusion Detection from Network Flow Features Using Variational Autoencoder,” IEEE Access, vol. 8, pp. 108346–108358, 2020, doi: 10.1109/ACCESS.2020.3001350.
Z. Niu, K. Yu, and X. Wu, “LSTM-based vae-gan for time-series anomaly detection,” Sensors (Switzerland), vol. 20, no. 13, pp. 1–12, Jul. 2020, doi: 10.3390/s20133738.
R. S. Wardhani and W. Anggita, “Pengaruh Bitcoin dan Nilai Tukar Rupiah Terhadap Harga Saham (Studi Pada Sub Sektor Perbankan Yang Terdaftar di Bursa Efek Indonesia Periode 2020-2022),” JURNAL ILMIAH GLOBAL EDUCATION, vol. 2, Mar. 2024, doi: 10.55681/jige.v5i1.2681.
Carudin Carudin, Marisa Marisa, Munarwan Munarwan, Felix Reba, and Mayko E Koibur, Buku Ajar Data Mining, vol. 139. PT. Sonpedia Publishing Indonesia, 2024.
D. P. Kingma and M. Welling, “An Introduction to Variational Autoencoders,” Foundations and Trends® in Machine Learning, vol. 12, no. 4, pp. 307–392, 2019, doi: 10.1561/2200000056.
F. F. Najamuddin, E. T. Herdiani, and A. K. Jaya, “VALUE AT RISK ESTIMATION USING EXTREME VALUE THEORY APPROACH IN INDONESIA STOCK EXCHANGE,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 18, no. 2, pp. 0695–0706, May 2024, doi: 10.30598/barekengvol18iss2pp0695-0706.
A. Srirahayu and L. Setya Pribadie, “JURNAL ILMIAH INFORMATIKA GLOBAL Review Paper Data Mining Klasifikasi Data Mining”, doi: 10.36982/jiig.v13i2.2307.
A. M. Putri, W. Khafa Nofa, D. Anggraini, and P. Hapsari, “PENERAPAN METODE BERT UNTUK ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI SEGARI DI GOOGLE PLAY STORE,” JUIT, vol. 4, no. 1, [Online]. Available: https://databoks.katadata.co.id
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf Process Manag, vol. 45, no. 4, pp. 427–437, Jul. 2009, doi: 10.1016/j.ipm.2009.03.002.
A. Tikaningsih, P. Lestari, A. Nurhopipah, I. Tahyudin, E. Winarto, and N. Hassa, “Telematika Optuna Based Hyperparameter Tuning for Improving the Performance Prediction Mortality and Hospital Length of Stay for Stroke Patients,” vol. 17, no. 1, pp. 1–16, 2024, doi: 10.35671/telematika.v17i1.2816.
