Pembelajaran Multi-Task Berbasis Citra Candlestick untuk Klasifikasi Pola dan Prediksi Arah Cryptocurrency

Abstract

Pasar cryptocurrency memiliki volatilitas yang sangat tinggi sehingga analisis teknikal manual terhadap pola candlestick menjadi sulit dilakukan secara konsisten. Pendekatan deep learning berbasis citra berpotensi mengotomatisasi identifikasi pola sekaligus meningkatkan kemampuan prediksi arah harga. Penelitian ini bertujuan mengembangkan model pembelajaran multi-task berbasis citra candlestick yang mampu secara simultan mengklasifikasikan sepuluh pola candlestick dan memprediksi arah pergerakan harga cryptocurrency tiga hari ke depan. Data historis OHLC harian dari lima aset cryptocurrency (BTC, ETH, XRP, DOGE, dan SOL) periode Januari 2018 hingga Desember 2025 dikumpulkan dan dibagi secara kronologis menjadi data latih (70%), validasi (15%), dan uji (15%). Setiap jendela yang terdiri atas 10 candle dirender menjadi citra berukuran 128×128 piksel dan diproses menggunakan backbone EfficientNetB0 yang telah dipra-latih. Tiga skema eksperimen, yaitu E1 (klasifikasi pola), E2 (prediksi arah), dan E3 (multi-task), dievaluasi menggunakan tiga seed acak, uji McNemar, dan interval kepercayaan Bootstrap 95%. Hasil penelitian menunjukkan bahwa model multi-task (E3) mencapai akurasi klasifikasi pola sebesar 81.58% ± 0.39% dan ROC-AUC prediksi arah sebesar 0.7649 ± 0.0046. Dibandingkan model single-task (E2), E3 meningkatkan skor F1 sebesar +0.2021 (95% CI: [0.161; 0.241]) dan ROC-AUC sebesar +0.0402 (95% CI: [0.016; 0.063]), meskipun perbedaan akurasi biner tidak signifikan secara statistik (McNemar p = 0.827). Temuan ini menunjukkan bahwa pembelajaran multi-task menghasilkan representasi fitur yang lebih informatif, probabilitas prediksi yang lebih terkalibrasi, serta kinerja yang lebih stabil dibandingkan pendekatan single-task. Dengan demikian, klasifikasi pola candlestick dapat berfungsi sebagai tugas auxiliary yang meningkatkan kualitas representasi fitur dan kemampuan prediksi arah harga cryptocurrency.

GS Cited Analysis