Publisher

IBIK57IBIK57

Journal Jurnal Nasional Informatika (JUNIF)Jurnal Nasional Informatika (JUNIF) Abstract

Penelitian ini mengevaluasi kinerja model YOLOv8 dalam mendeteksi pola candlestick secara otomatis dari citra grafik keuangan. Pendekatan kuantitatif eksperimental digunakan dengan dataset 4.435 citra candlestick yang telah dianotasi dari Roboflow Universe. Model dilatih menggunakan konfigurasi standar YOLOv8 dengan learning rate 0.01, batch size 16, dan 100 epoch. Metrik evaluasi meliputi precision, recall, F1-score, dan mean Average Precision (mAP) pada rentang IoU [0.5:0.95]. Hasil menunjukkan YOLOv8 mencapai akurasi deteksi tinggi dengan precision 0.877, recall 0.898, dan mAP@[0.5:0.95] sebesar 0.903. Model menunjukkan kinerja kuat pada pola dengan ciri visual jelas seperti Bullish Engulfing dan Three Line Strike. Namun, tantangan sistematis muncul dalam membedakan pola dengan kemiripan visual tinggi, khususnya Morning Star–Morning Doji Star dan Evening Star–Evening Doji Star. Confusion matrix ternormalisasi mengungkapkan , model juga mampu membedakan pola yang mirip dengan hasil tertinggi 78% pada pola morning star dan nilai terendah 46% pada pola evening doji star, menunjukkan ambiguitas visual yang melekat pada representasi candlestick. Penelitian ini memberikan benchmark komprehensif untuk YOLOv8 dalam deteksi objek finansial dan menekankan perlunya peningkatan fitur berbasis konteks semantik untuk pasangan pola yang membingungkan.

Conclusion

YOLOv8 menunjukkan kinerja deteksi yang sangat baik untuk pola candlestick, mencapai mAP@[0.Meskipun demikian, model ini masih terbatas dalam membedakan pola dengan kemiripan visual ekstrem seperti Evening Star dan Evening Doji Star, dengan akurasi terendah 46% pada Evening Doji Star dan tertinggi 78% pada Morning Star yang menunjukkan ambiguitas visual inheren.Penelitian ini memiliki keterbatasan karena tidak menyertakan data pasar nyata atau backtesting untuk mengukur dampak keputusan deteksi terhadap profitabilitas.

Future Research

Penelitian lanjutan dapat berfokus pada pengembangan sistem deteksi pola candlestick yang tidak hanya mengandalkan tampilan visual. Salah satu arah menarik adalah mengeksplorasi bagaimana teknik pemrosesan citra tingkat lanjut, seperti filter spasial adaptif atau jaringan saraf yang dirancang khusus untuk detail mikro, dapat digunakan untuk memperjelas dan mengekstraksi perbedaan visual yang sangat halus pada pola candlestick yang mirip, misalnya antara Evening Star dan Evening Doji Star, yang saat ini masih menjadi tantangan utama. Selanjutnya, akan sangat bermanfaat untuk meneliti efektivitas pendekatan multimodal; artinya, tidak hanya melihat gambar pola candlestick, tetapi juga menggabungkan informasi tambahan dari data harga historis (OHLC) dan konteks tren pasar sebelumnya. Dengan cara ini, model dapat memahami makna semantik di balik pola yang tampak ambigu secara visual, membantu mengurangi kesalahan dan membuat deteksi lebih relevan untuk keputusan investasi. Terakhir, untuk menguji nilai praktis dari sistem deteksi ini, penelitian mendatang harus mengintegrasikannya dengan mesin trading simulasi atau melakukan backtesting yang komprehensif. Ini akan memungkinkan para peneliti untuk mengevaluasi secara kuantitatif sejauh mana akurasi deteksi pola ini dapat benar-benar meningkatkan profitabilitas dan membantu dalam pengambilan keputusan investasi di berbagai kondisi pasar nyata.

Metadata

File size	466.9 KB
Pages	7
DMCA	Report