Perpustakaan Digital ITB

Pasar cryptocurrency memiliki karakteristik volatilitas yang tinggi dengan kompleksitas data yang berasal dari berbagai sumber, seperti data teknikal, fundamental, dan sentimen. Penelitian ini mengembangkan sistem berbasis reinforcement learning yang mengintegrasikan beragam aspek pasar ke dalam lingkungan simulasi trading untuk merancang strategi trading yang adaptif terhadap dinamika tersebut. Tiga algoritma utama, yaitu Deep Q-Network (DQN), Proximal Policy Optimization (PPO), dan Advantage Actor-Critic (A2C), digunakan sebagai agen untuk menguji efektivitas pengambilan keputusan trading terhadap tiga aset cryptocurrency, yaitu BTC, ETH, dan XRP. Evaluasi performa model dilakukan berdasarkan tiga metrik, yaitu return on investment sebagai indikator profitabilitas, sharpe ratio untuk mengukur kualitas return terhadap risiko, serta maximum drawdown sebagai representasi dari kerugian maksimum selama periode evaluasi. Seluruh model dievaluasi secara komparatif dan hasil akhir digunakan sebagai dasar untuk penilaian strategi melalui pemberian nilai menggunakan metode Analytical Hierarchy Process (AHP). Pendekatan ini memastikan bahwa solusi yang dikembangkan tidak hanya berorientasi pada keuntungan, tetapi juga memperhatikan aspek stabilitas dan pengelolaan risiko dalam melakukan aktivitas trading. Berdasarkan bobot yang diberikan menggunakan metode AHP, model dengan skor paling tinggi adalah DQN pada aset XRP memberikan return yaitu 182,11% dengan sharpe ratio 0,2134 dan drawdown 40,01% pada periode pengujian pada tahun 2024.