Beyond Indicators: Membangun Decision Layer AI Agent untuk Mendeteksi Fase Re-Accumulation Smart Money

24 Jul, 2026

Banyak Screener menjawab pertanyaan "token mana yang menarik hari ini?" Tapi ketika anda menciptakan sebuah Decision Layer, maka dia akan mencoba menjawab pertanyaan yang jauh lebih sulit: "Apa yang sebenarnya sedang terjadi di balik harga yang hampir tidak bergerak?"

Pendahuluan

Dalam beberapa tahun terakhir, kualitas token screener berkembang sangat pesat. Kita memiliki DexScreener, Birdeye, GeckoTerminal, Bubblemaps, hingga berbagai AI bot yang mampu memproses ribuan pair hanya dalam hitungan detik.

Namun jika diperhatikan lebih dalam, sebagian besar masih dibangun dengan paradigma yang sama.

Mereka mengumpulkan sejumlah indikator, menerapkan ambang batas (threshold), lalu menghasilkan daftar token yang dianggap menarik.

if (
    volume > threshold
    and liquidity > threshold
    and holders > threshold
):
    signal = BUY

Pendekatan tersebut tidak salah.

Justru ia sangat efisien untuk menyaring ribuan aset menjadi beberapa kandidat.

Masalahnya, ia hanya menjawab pertanyaan:

"Apa yang terlihat menarik sekarang?"

Padahal pasar hampir tidak pernah bergerak berdasarkan snapshot.

Pasar bergerak karena sebuah proses.

Dan proses itu sering kali sudah berlangsung jauh sebelum indikator-indikator populer mulai berubah.

Di sinilah konsep Decision Layer menjadi menarik.

Alih-alih mencari token yang sudah bergerak, Decision Layer mencoba memahami hubungan sebab-akibat yang sedang berlangsung di balik data.

Bukan sekadar:

• harga naik,
• volume besar,
• holder bertambah.

Melainkan:

• siapa yang membeli,
• siapa yang menjual,
• bagaimana harga merespons modal tersebut,
• apakah struktur holder berubah,
• apakah supply sedang berpindah ke tangan yang lebih kuat.

Dengan kata lain,

Decision Layer tidak membaca angka. Ia membaca hubungan antarangka.

Masalah Fundamental Screener Tradisional

Sebagian besar screener modern bersifat stateless.

Setiap hari mereka memperlakukan token seolah baru lahir.

Hari ini volume tinggi?

Masuk watchlist.

Besok volume turun?

Keluar.

Padahal pasar memiliki memori.

Token yang pernah menjadi runner 100x memiliki karakter yang sangat berbeda dibanding token yang baru listing dua minggu lalu.

Begitu pula token yang telah mengalami drawdown 95%.

Secara statistik maupun perilaku pasar, keduanya tidak dapat diperlakukan sama.

Screener melihat snapshot.

Decision Layer melihat siklus.

Mengapa Smart Money Tidak Membeli Saat Harga Sudah Naik?

Pertanyaan ini sebenarnya telah lama dijawab dalam literatur Market Microstructure.

Penelitian Kyle (1985), Glosten & Milgrom (1985), hingga Cont, Kukanov & Stoikov (2014) menunjukkan bahwa pelaku yang memiliki informasi maupun modal besar tidak melakukan pembelian secara agresif sekaligus.

Alasannya sederhana.

Semakin besar order yang dilempar ke pasar, semakin besar pula price impact yang dihasilkan.

Akibatnya mereka justru membeli lebih mahal.

Karena itu strategi yang lebih rasional adalah:

• memecah order,
• membeli perlahan,
• menjaga agar harga tetap stabil,
• mengurangi perhatian pasar.

Secara sederhana dapat digambarkan seperti berikut.

Retail

Buy

↓

Harga Langsung Naik

────────────────────────────

Institution

Buy

↓

Sell Pressure Menyerap

↓

Harga Tetap Flat

↓

Posisi Terbangun

Yang menarik, kondisi kedua sering terlihat membosankan bagi trader ritel.

Padahal justru di sanalah proses perpindahan kepemilikan sedang berlangsung.

Tetapi Crypto Bukan Bursa Saham

Di sinilah banyak artikel melakukan penyederhanaan yang kurang tepat.

Kyle, Glosten maupun Cont melakukan penelitian pada Central Limit Order Book (CLOB) seperti NYSE.

Sebagian besar DEX justru menggunakan Automated Market Maker (AMM).

Artinya mekanisme pembentukan harga berbeda.

Pada CLOB, harga terbentuk melalui antrean bid dan ask.

Pada AMM, harga bergerak berdasarkan fungsi likuiditas seperti constant product (x*y=k) atau variasi concentrated liquidity.

Walaupun demikian, prinsip dasarnya tetap relevan.

Bukan karena mekanismenya sama, tetapi karena keduanya tetap memiliki konsep universal:

• modal,
• likuiditas,
• price impact,
• supply absorption.

Decision Layer mengambil prinsipnya, bukan menyalin model matematikanya secara mentah.

Dari Signal Layer Menuju Decision Layer

Sebagian besar AI Agent saat ini masih bekerja seperti berikut.

Indicator

↓

Signal

↓

BUY

Masalahnya, analis profesional tidak berpikir seperti itu.

Mereka membangun hipotesis.

Kemudian mereka mencari bukti yang mendukung maupun membantah hipotesis tersebut.

Kerangka berpikirnya lebih mendekati berikut.

Evidence

↓

Hypothesis

↓

Counter Evidence

↓

Probability Update

↓

Decision

Perbedaannya sangat besar.

Decision Layer bukan sekadar menjumlahkan indikator.

Ia terus memperbarui keyakinannya setiap kali evidence baru muncul.

Decision Layer adalah Probability Engine

Misalkan AI menemukan sebuah token.

Awalnya belum ada alasan kuat untuk percaya bahwa token tersebut sedang mengalami re-accumulation.

Prior Probability

20%

Kemudian evidence mulai berdatangan.

Former Runner

↓

30%

Smart Wallet Rotation

↓

47%

Liquidity Growth

↓

61%

Price Flat Despite Large Net Buy

↓

76%

Holder Quality Improving

↓

84%

Tidak ada satu indikator yang menghasilkan keputusan.

Yang terjadi adalah probabilitas terus diperbarui.

Pendekatan seperti ini jauh lebih dekat dengan konsep Bayesian Updating, yaitu memperbarui keyakinan berdasarkan evidence baru yang masuk.

Dengan kata lain, AI tidak pernah benar-benar berkata:

"Saya tahu ini akan naik."

AI hanya berkata:

"Berdasarkan seluruh evidence yang tersedia saat ini, probabilitas skenario re-accumulation meningkat."

Itulah perbedaan mendasar antara AI yang menghitung skor dengan AI yang benar-benar mengambil keputusan.

Studi Kasus Re-Accumulation

Misalkan ditemukan token dengan karakteristik berikut.

Former Runner

↓

ATH 85×

↓

Drawdown 96%

↓

Sideways 8 Bulan

↓

Liquidity Bertambah

↓

Wallet Lama Keluar

↓

Wallet Kredibel Masuk

↓

Net Buy Naik

↓

Harga Tetap Flat

Mayoritas screener kemungkinan besar akan mengabaikan token tersebut.

Momentum belum muncul.

Volume belum spektakuler.

Tidak ada candle hijau besar.

Namun Decision Layer justru mengajukan pertanyaan yang berbeda.

Mengapa modal sebesar ini masuk, tetapi harga hampir tidak bergerak?

Secara logika hanya terdapat beberapa kemungkinan.

• distribusi besar,
• absorpsi supply,
• inventory market maker,
• unlock token,
• atau anomali pasar lainnya.

Tugas agent bukan langsung membeli.

Tugasnya adalah mempersempit kemungkinan mana yang paling masuk akal berdasarkan seluruh konteks yang tersedia.

Liquidity Absorption Divergence Score (LADS)

Salah satu komponen yang dapat digunakan adalah Liquidity Absorption Divergence Score.

Alih-alih mengukur volume semata, LADS mengukur hubungan antara:

• besarnya demand,
• pertumbuhan likuiditas,
• kualitas wallet,
• riwayat token,
• serta respons harga.

Contoh implementasi sederhana.

score = (
    demand * 0.30 +
    liquidity_growth * 0.20 +
    smart_wallet * 0.20 +
    runner_history * 0.15 -
    price_response * 0.15
)

Perhatikan bagian terakhir.

- price_response

Semakin kecil respons harga dibanding modal yang masuk,

semakin besar kemungkinan sedang terjadi proses absorpsi.

Namun LADS bukan sinyal beli.

Ia hanyalah satu evidence di antara banyak evidence lainnya.

Capital Effort vs Price Response

Sebagian besar trader melihat hasil.

Decision Layer melihat efisiensi modal.

Misalnya.

Kasus pertama terlihat lebih menarik.

Namun bagi Decision Layer, kasus kedua justru lebih informatif.

Mengapa?

Karena modal yang sama menghasilkan perubahan harga yang jauh lebih kecil.

Artinya terdapat supply yang terus menyerap tekanan beli.

Fenomena inilah yang ingin dideteksi.

Market Memory

Kesalahan terbesar screener adalah tidak memiliki ingatan.

Decision Layer justru dibangun di atas memori.

TokenMemory

Former Runner

ATH Multiple

Drawdown

Smart Wallet Rotation

Supply Distribution

Liquidity Trend

Volatility Compression

Holder Quality

Days Since Peak

Ketika evidence baru datang,

AI tidak memulai analisis dari nol.

Ia memperbarui konteks yang telah dimiliki sebelumnya.

Framework Decision Layer

Arsitektur Decision Layer tidak bersifat linear.

Ia lebih menyerupai sebuah graph yang menggabungkan banyak sumber evidence sekaligus.

Historical Context
        │
Wallet Rotation
        │
Liquidity Growth
        │
Price Response
        │
Holder Quality
        │
Volatility
        │
Sector Rotation
        │
Macro Regime
        │
───────────────
Evidence Fusion
───────────────
        │
Probability Engine
        │
Decision Layer
        │
WATCH

ALERT

IGNORE

Keputusan tidak berasal dari satu indikator.

Ia berasal dari akumulasi evidence.

Regime Detection

Satu kesalahan lain yang cukup sering terjadi adalah menggunakan threshold yang sama untuk seluruh kondisi pasar.

Padahal pasar selalu berubah.

Bull Market

↓

Threshold A

────────────────

Bear Market

↓

Threshold B

────────────────

Risk Off

↓

Threshold C

────────────────

Altseason

↓

Threshold D

Decision Layer yang baik harus memahami bahwa evidence yang sama memiliki arti berbeda pada rezim pasar yang berbeda.

False Positive Rejection

Decision Layer juga harus aktif mencari alasan mengapa hipotesisnya salah.

Misalnya.

Net Buy Besar

+

Harga Flat

≠

Akumulasi

Bisa saja penyebabnya adalah:

• VC Unlock
• Treasury Distribution
• OTC Settlement
• Bridge Movement
• Wash Trading
• Market Maker Inventory
• Cross-chain Transfer

Semakin banyak hipotesis alternatif yang berhasil dieliminasi,

semakin kuat keyakinan Decision Layer.

Validasi: Backtest Sebelum Kepercayaan

Seluruh framework ini pada dasarnya masih merupakan hipotesis yang terstruktur.

Nilainya baru muncul ketika diuji terhadap data historis.

Protokol yang layak misalnya:

500–1000 Former Runner

↓

Drawdown >90%

↓

Run Decision Layer

↓

Observe 90 Days

↓

Precision

Recall

Average Return

Sharpe Ratio

Maximum Drawdown

False Positive Rate

Tanpa proses validasi seperti ini,

Decision Layer hanyalah ide yang terdengar masuk akal.

Belum tentu memiliki keunggulan statistik.

Limitasi yang Perlu Diakui

Tidak ada AI Agent yang mampu membaca seluruh pasar secara sempurna.

Decision Layer pun memiliki keterbatasan.

Beberapa di antaranya adalah:

• transaksi OTC yang tidak terlihat,
• wallet yang sengaja dipecah (wallet splitting),
• Sybil wallet,
• penggunaan mixer,
• bridge antar-chain,
• perubahan narasi sektor,
• exploit smart contract,
• hingga survivorship bias pada dataset historis.

Karena itu Decision Layer tidak boleh diposisikan sebagai mesin prediksi.

Ia lebih tepat dipandang sebagai probability engine yang membantu meningkatkan kualitas keputusan.

Penutup

Perbedaan terbesar antara screener tradisional dan Decision Layer bukan terletak pada jumlah indikator yang digunakan.

Perbedaannya terletak pada cara berpikir.

Screener bertanya:

"Apakah token ini terlihat bullish?"

Decision Layer bertanya:

"Mengapa modal sebesar ini menghasilkan respons harga yang sangat kecil, dan siapa yang berada di sisi lain transaksi tersebut?"

Perubahan sudut pandang ini menggeser AI dari sekadar mesin pencari sinyal menjadi sebuah sistem yang mampu membangun hipotesis, mengumpulkan evidence, memperbarui probabilitas, lalu mengambil keputusan secara bertahap.

Pada akhirnya, pasar tidak bergerak karena satu indikator berubah.

Pasar bergerak karena struktur kepemilikan, likuiditas, dan perilaku partisipannya berubah terlebih dahulu.

Harga hanyalah konsekuensi yang muncul paling akhir.

Dan Decision Layer dibangun untuk menangkap perubahan tersebut sebelum menjadi sesuatu yang terlihat jelas di chart.