Analisis Hasil Klasifikasi Pergerakan Harga Emas Menggunakan Naïve Bayes Berbasis Tick Volume-Based Bars
Tahun 2026 · Penulis: Anung Firdauzy Putra Sukatma
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/10427
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penelitian ini bertujuan untuk menganalisis karakteristik distribusi data harga emas yang dibentuk menggunakan Tick Volume-Based Bars, mengkaji pengaruhnya terhadap pembentukan fitur indikator teknikal dan distribusi kelas, serta mengevaluasi kinerja algoritma Naïve Bayes dalam mengklasifikasikan pergerakan harga emas. Data yang digunakan berupa data historis XAUUSD timeframe H1 periode 2024–2026 yang diperoleh dari broker EXNESS. Proses penelitian diawali dengan transformasi data time-based bars menjadi Tick VolumeBased Bars, dilanjutkan dengan perhitungan indikator teknikal Relative Strength Index (RSI), Stochastic Oscillator, Moving Average Convergence Divergence (MACD), dan Average True Range (ATR). Pelabelan data dilakukan menggunakan Triple Barrier Labeling sehingga menghasilkan tiga kelas, yaitu naik, turun, dan netral. Selanjutnya dilakukan proses klasifikasi menggunakan algoritma Categorical Naïve Bayes serta evaluasi model menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa transformasi data menghasilkan 8.200 Tick Volume-Based Bars dari 11.798 candle H1. Nilai Coefficient of Variation (CV) sebesar 34,83 lebih rendah dibandingkan Time-Based Bars sebesar 43,49, yang menunjukkan distribusi data lebih stabil. Proses labeling menghasilkan distribusi kelas yang relatif seimbang. Namun, kombinasi fitur RSI, Stochastic Oscillator, dan MACD Histogram masih menghasilkan lebih dari satu kelas label sehingga kemampuan diskriminatif fitur menjadi terbatas. Model Naïve Bayes menghasilkan accuracy sebesar 35,48%, precision 32,22%, recall 35,48%, dan F1-score 29,94%. Hasil tersebut menunjukkan bahwa meskipun Tick VolumeBased Bars menghasilkan distribusi data yang lebih stabil, fitur yang digunakan belum mampu membedakan arah pergerakan harga emas secara optimal.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,802
Tahun 2026 · Penulis: Wynda Ananda Ika Kharisma
Prediksi Harga Emas Menggunakan Metode Gated Recurrent Unit (GRU)
Harga emas merupakan jenis data deret waktu (time series) yang menunjukkan pola fluktuatif dan dipengaruhi oleh berbagai faktor ekonomi, sehingga prediksi yang akurat menjadi tantangan tersendiri. Oleh karena itu, diperlukan metode yang mampu mempelajari pola
- Cosine 0,790
Tahun 2025 · Penulis: Dejan Putra Pratama
Analisis Performa VGG-New dengan Variasi Loss Fungsi Untuk Ekspresi Facial Dikenali Fakulta
Facial Expression Recognition merupakan bidang penelitian yang krusial dalam interaksi manusia-komputer, namun performanya sangat bergantung pada pemilihan model dan loss function yang tepat. Permasalahan utama di dalam penelitian adalah untuk menentukan loss
- Cosine 0,785
Tahun 2026 · Penulis: Ratna Puspita Eka Putri
Pengaruh Seleksi Fitur dan Ukuran Data pada Klasifikasi Penyakit Jantung dengan Naive Bayes dan Decision Tree
Penyakit jantung merupakan penyebab utama kematian secara global, yang bertanggung jawab atas sekitar 17,9 juta kematian setiap tahunnya. Deteksi dini melalui machine learning menawarkan solusi yang efisien dan dapat diskalakan, khususnya untuk fasilitas keseh