Pemodelan Harga Cryptocurrency Menggunakan Markov Switching Autoregressive

Akhmad Ridho Ashariansyah, Nur Iriawan, Adatul Mukarromah

Abstract


Perdagangan merupakan sebuah kegiatan tukar menukar barang atau jasa yang dilakukan manusia untuk memenuhi kebutuhan hidup. Perkembangan sistem pembayaran yang dilakukan umat manusia dimulai dari sistem pertukaran barang atau barter, logam mulia seperti emas dan perak, koin, uang kartal, uang giral, dan uang elektronik (e-money). Selain itu, muncul cryptocurrency yaitu mata uang digital dengan sistem kriptografi dalam setiap proses transaksi datanya tanpa melalui pihak ketiga. Namun cryptocurrency memiliki kelemahan perubahan harga yang sangat besar dalam waktu yang sangat cepat. Pergerakan harga yang berfluktuasi sangat tinggi tersebut menyebabkan kekhawatiran pemilik aset kripto mengalami kerugian, maka pemodelan harga cryptocurrency sangat penting untuk dilakukan agar meminimalisir risiko kerugi-an. Berdasarkan pola pergerakan harga yang berfluktuasi sangat tinggi yang berbeda tiap periodenya maka dilakukanlah pemodelan harga cryptocurrency mengguna-kan Markov Switching Autoregressive (MSAR) dengan algoritma Expectation Maximization. Selain meminimkan risiko kerugian, penelitian ini juga ingin mengetahui model MSAR mana yang mampu mengklasifikasikan state dengan baik. Data yang digunakan yaitu harga harian cryptocurrency dengan nilai kapitalisasi pasar terbesar dari September 2015 hingga Januari 2020. Hasil penelitian menunjukkan bahwa bitcoin dan ripple menggunakan model MS(8)AR(1), sedangkan ethereum menggunakan model MS(9)AR(1). Selain itu model MS(8)AR(1) pada data ripple menjadi model dengan nilai akurasi tertinggi dibandingkan model lainnya dalam hal klasifikasi state.

Keywords


Cryptocurrency; Fluktuasi; MSAR

Full Text:

PDF

References


I. Nubika, BITCOIN: Mengenal Cara Baru Ber-investasi Generasi Milenial, Bantul: Genesis Learning, 2018.

E. Dourado dan J. Brito, “Cryptocurrency,” The New Palgrave Dictionary of Economics, Online Edition, 2014.

S. Nakamoto, “Bitcoin: A Peer-to-Peer Electronic Cash System,” 2009. [Online]. Available: http://bitcoin.org. [Diakses 21 Januari 2020].

CryptoCompare, “Live Cryptocurrency Prices, Trades, and Forums,” 2020. [Online]. Available: http://cryptocompare.com. [Diakses 16 Januari 2020].

M. P. Clements dan H.-M. Krolzig, “A Comparison of the Forecast Performance of Markov-Switching and Threshold Autoregressive Models of US GNP,” University of Warwick, Coventry, 1997.

W. W. S. Wei, Time Series Analysis: Univariate and Multivariate Methods, Second Edition, New York: Pearson, 2006.

R. Adhikari dan R. K. Agrawal, An Introductory Study on Time Series Modeling and Forecasting, Saar-brucken: LAP Lambert Academic Publishing, 2013.

R. S. Tsay, Analysis of Financial Time Series, Canada: John Wiley & Sons, 2002.

J. D. Cryer dan K.-S. Chan, Time Series Analysis with Applications in R, New York: Springer Science+Business Media, LLC, 2008.

A. Katchova, “Time Series ARIMA Models,” 2013. [Online]. Available: http://sites.google.com/site/econometricsacademy. [Diakses 22 Januari 2020].

S. Fruhwirth-Schnatter, Finite Mixture and Markov Switching Models, New York: Springer, 2006.

J. D. Hamilton, “A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle,” Econometrica, vol. 57, no. 2, pp. 357-384, 1989.

C.-J. Kim, “Dynamic Linear Models with Markov Switching,” Journal of Econometrics, vol. 60, pp. 1-22, 1994.

C.-J. Kim dan C. R. Nelson, State-Space Models with Regime Switching: Classical and Gibbs-Sampling Approaches with Applications, Cambridge: The MIT Press, 1999.

H. Akaike, “A Bayesian Analysis of the Minimum AIC Procedure,” Ann. Inst. Statist. Math., vol. 30, pp. 9-14, 1978.

M. Sokolova dan G. Lapalme, “A Systematic Analysis of Performance Measures for Classification Tasks,” Information Processing and Management, vol. 45, pp. 427-437, 2009.

D. Chaum, “Blind Signatures for Untraceable Payments,” Advances in Cryptology Proceedings of Crypto 82, pp. 199-203, 1982.

F. Mulyanto, “Pemanfaatan Cryptocurrency Sebagai Penerapan Mata Uang Rupiah Kedalam Bentuk Digital Menggunakan Teknologi Bitcoin,” Indonesian Journal on Networking and Security, pp. 19-26, 2015.




DOI: http://dx.doi.org/10.12962/j27213862.v3i2.7726

Refbacks

  • There are currently no refbacks.




Creative Commons License
Inferensi by Department of Statistics ITS is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Based on a work at https://iptek.its.ac.id/index.php/inferensi.

ISSN:  0216-308X

e-ISSN: 2721-3862

Web
Analytics Made Easy - StatCounter View My Stats