Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JTIK (Jurnal Teknik Informatika Kaputama) JITU : Journal Informatic Technology And Communication
M. Fathir Adha
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS HIERARCHICAL CLUSTERING PADA VOLUME TRADING DISETIAP NARRATIVE CRYPTO MENGGUNAKAN DATA DUNE ANALYTICS UNTUK INVESTASI BERBASIS DATA M. Fathir Adha; Muhamad Septian; Patrik Galih Adi Prananda; Hendrik Fery Herdiatmoko
JTIK (Jurnal Teknik Informatika Kaputama) Vol. 9 No. 1 (2025): Volume 9, Nomor 1, Januari 2025
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59697/jtik.v9i1.909

Abstract

Penelitian ini adalah algoritma Menggunakan Hierarchical Clustering untuk menganalisis pola volume perdagangan pada berbagai narasi dalam ekosistem crypto berdasarkan data dari Dune Analytics. Data seperti rata-rata volume per aset hari kategori narasi yang berbeda (Memes, DeFi, AI, dan lain-lain) digunakan sebagai dasar untuk membangun klaster yang menggambarkan perdagangan volume pola di setiap narasi. Tujuan penelitian ini adalah mengidentifikasi pola kesamaan dan perdaan antar-narasi dalam volume perdagangan, sehingga anggota wawasan tentak aktivitas perdagangan dan fokus investasi di berbagai sektor crypto. Pendekatan ini memanfaatkan metode Ward linkage dalam Hierarchical Clustering, yang dipalih karena kemampuanya meminimalkan varians dalam setiap klaster, sehingga menghasilkan klaster yang lebih seimbang.Untuk mengevaluasi kualitas klaster yang terbentuk, penelitian ini juga menggunakan metrik seperti Silhouette Score dan Cophenetic Correlation Coefisien guna memastikan konsistensi dan mewakili data strektur secara optimal. Kontribusi utama penelitian ini adalah penerapan Hierarchical Clustering untuk mengelompokkan narasi crypto berdasarkan volume perdagangan, yang belum beryak dieksplorasi dalam studi sebelumnya. Tidak seperti penelitian terpahulu yang lebih berfokus dada kinerja harga atau volatilitas aset, penelitian ini menyoroti volume perdagangan sebagai indikator utama untuk memahami preferensi investor dan dinamika pasar crypto. Hasil penelitian membuan data berbasis yang dapat membantu keputusan investasi yang lebih efektif di berbagai sektor narasi crypto,anggota wawasan mengenai volume tren yang dapat dimanfaatkan oleh investor dan analis pasar. Kesimpulan penelitian ini menekankan pentingnya pendekatan data berbasis unduk memahami dinamika volume di sektor crypto.
Implementasi Hierarchical Clustering untuk Analisis FDMC Narrative Crypto Berbasis Web M. Fathir Adha; Hendrik Fery Herdiatmoko
JITU Vol 10 No 1 (2026)
Publisher : Universitas Boyolali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36596/jitu.v10i1.2255

Abstract

This study implements the Hierarchical Clustering algorithm with Ward linkage and Euclidean distance methods to analyze 26 crypto narratives based on the Fully Diluted Market Cap (FDMC) metric. Using a hybrid method that integrates Waterfall, Cross-Industry Standard Process for Data Mining (CRISP-DM), and Knowledge Discovery in Databases (KDD), data was obtained from the CoinGecko API, manually clustered, and aggregated per narrative. Pre-processing involved logarithmic transformation (log-10) and Z-Score normalization to address power-law distributions and outliers, resulting in a more stable cluster structure. The clustering results mapped the market into five clusters: Bluechip (L1 with FDMC $2.76T), Growth (PAY, MEME, CEX, DEX, DeFi totaling $468.22B), Growth (AI, DePIN, DAO, L2, RWA, ORC, GameFi, XCH, DID, PRC, LST with $192.91B), Speculative (NFT, MET, SocialFi, BTC Eco, W3I with $17.55B), and Speculative (LPD, GambleFi, FTO, SEC with $2.34B). The model was validated with a Silhouette Score of 0.650 and a Cophenetic Correlation Coefficient of 0.647, indicating cohesive and representative clusters. A web-based implementation using Django, D3.js, and Chart.js provides interactive visualizations and portfolio recommendations. Contributions include a novel fundamental valuation approach, an adaptive clustering model, and practical analytical tools for investors, with potential expansion to multidimensional metrics in the future.
Co-Authors Hendrik Fery Herdiyatmoko Muhamad Septian Patrik Galih Adi Prananda