EVALUASI KOMPARATIF XGBOOST DAN LAG-LLAMA PADA SISTEM PERINGATAN DINI PUMP ALTCOIN MID-CAP

ADI, MOHAMAD GALIH PRASETYO ADI (2026) EVALUASI KOMPARATIF XGBOOST DAN LAG-LLAMA PADA SISTEM PERINGATAN DINI PUMP ALTCOIN MID-CAP. Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text Cover.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (182kB)
	Text Lembar Pengesahan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (611kB)
	Text Lembar Pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (511kB)
	Text Abstrak.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (827kB)
	Text BAB 1.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text Skripsi Full.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy
	Text Daftar Pustaka.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text Surat Hasil Cek Plagiarisme.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (669kB)

Abstract

Pasar altcoin mid-cap rentan terhadap manipulasi pump-and-dump yang menyebabkan kerugian signifikan bagi pelaku pasar ritel. Penelitian ini melakukan evaluasi komparatif model XGBoost dan Lag-LLaMA (zero-shot dan fine-tuned) untuk membangun sistem peringatan dini pump pada 18 altcoin mid-cap dengan lead window 1–6 jam. Dataset terdiri dari 470.528 observasi time series per jam dari LunarCrush selama periode Januari 2023 hingga Januari 2026, dibagi secara kronologis menjadi train, validation, dan test dengan embargo window untuk mencegah data leakage. Evaluasi dilakukan pada dua level: model-level menggunakan PR-AUC pada data imbalanced, dan system-level melalui simulasi kebijakan alert dengan constraint budget harian dan cooldown per aset. Hasil menunjukkan Lag-LLaMA Fine-Tuned mencapai PR-AUC tertinggi sebesar 0,2453 (Lift 4,64× di atas random baseline), mengungguli XGBoost (PR-AUC 0,2177; Lift 4,12×) dan Lag-LLaMA Zero-Shot (PR-AUC 0,1116; Lift 2,11×). Pada evaluasi system-level, XGBoost menghasilkan EventRecall 35,8% dengan 4,42 false alert per hari, sementara Lag-LLaMA Fine-Tuned mencapai EventRecall 39,7% dengan 6,13 false alert per hari. Sistem memberikan rata-rata lead time 3,5 jam dan lift operasional 4,12–4,64× di atas prediksi acak. Ablasi menunjukkan budget sebagai parameter paling sensitif, dan ranking model konsisten di seluruh konfigurasi yang diuji. Prototipe dashboard Streamlit dikembangkan untuk mendukung transparansi dan reprodusibilitas evaluasi.

Actions (login required)

View Item