Studi Literatur: Prediksi Harga Bitcoin Menggunakan Algoritma Machine Learning dan Deep Learning
Keywords:
Machine Learning, Deep Learning, LSTM, RNNAbstract
Kepopuleran dari Bitcoin terus mengalami kenaikan dari tahun ke tahun. Bitcoin juga memiliki sifat fluktuatif yang sanggat tinggi, dan dipengaruhi macam-macam faktor seperti kondisi data historis pasar, teknikal pasar, sentimen media sosial dan investor, dan data on-chain. Dalam studi literatur ini mempunyai sebuah tujuan guna menganalisis dan membandingkan kinerja dari beragam model algoritma Machine Learning dan Deep Learning dalam memprediksi pergerakan dari harga Bitcoin. Di studi literatur ini juga memakai pendekatan algortima di antara lain; Long Short-Term Memory(LSTM), Recurrent Neural Network(RNN), Random Forest, Support Vector Machine (SVM), XGBoost, ARIMA, SARIMA, dan berbagai model hibrida dan ensemble seperti SVM-PSO dan ANN-XGBoost. Hasil dari penelitian banyak yang mengungkapkan bahwa model algoritma seperti RNN dan LSTM yang paling banyak digunakan dan menghasilkan tingkat akurasi yang tinggi dengan mempunyai nilai RMSE terendah sebesar 730,42 dan akurasi R2 hingga 97,45%. Penelitian lain juga mengatakan penggunaan data eksternal seperti Google Trend Index dan analisis sentimen dari mendia sosial juga mampu terbukti meningkatkan kemampuan model dalam meningkatkan tingkat akurasi prediksi secara signifikan. Kesimpulan dari studi literatur ini menyatakan bahwa pendekatan algoritma Deep Learning dan ensemble learning merupakan yang paling efektif dan konsisten hasilnya dalam menghadapi fluktuatif dan volatilitas harga Bitcoin.
References
S. Nakamoto, “Bitcoin: A peer-to-peer electronic cash system,” Available at SSRN 3440802, 2008.
D. E. Shafira, O. Ferli, E. Haryanti, and E. Wijaya, “Analisis Korelasi dan Pergerakan bersama Saham, Emas dan Bitcoin Studi Kasus Pasar Indonesia,” Journal of Management and Business Review, vol. 20, no. 3, pp. 207–220, 2023.
M. IRFAN, “Analisis Data pada Transaksi Bitcoin untuk Prediksi Harga Menggunakan Algoritma Random Foreset”.
L. Ante, “How Elon Musk’s Twitter activity moves cryptocurrency markets,” Technol Forecast Soc Change, vol. 186, p. 122112, 2023, doi: https://doi.org/10.1016/j.techfore.2022.122112.
R. Azhar, A. Surahman, and C. Juliane, “Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes,” J-SAKTI (Jurnal Sains Komputer dan Informatika), vol. 6, no. 1, pp. 267–281, 2022.
J. E. Savero, V. H. Pranatawijaya, and E. Christian, “Analisis Sentimen Pengguna Media Sosial X terhadap Perubahan Harga Bitcoin: Pendekatan Machine Learning,” KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, vol. 4, no. 1, pp. 196–208, 2024.
S. M. Raju and A. M. Tarif, “Real-time prediction of BITCOIN price using machine learning techniques and public sentiment analysis,” arXiv preprint arXiv:2006.14473, 2020.
A. Brauneis, R. Mestel, R. Riordan, and E. Theissen, “Bitcoin unchained: Determinants of cryptocurrency exchange liquidity,” J Empir Finance, vol. 69, pp. 106–122, 2022, doi: https://doi.org/10.1016/j.jempfin.2022.08.004.
L. A. Smales, “Investor attention in cryptocurrency markets,” International Review of Financial Analysis, vol. 79, p. 101972, 2022, doi: https://doi.org/10.1016/j.irfa.2021.101972.
F. Febriansyah, A. Sujjada, and F. Sembiring, “Prediksi Harga Bitcoin Menggunakan Algoritma Long Short Term Memory (LSTM),” INOVTEK Polbeng-Seri Informatika, vol. 9, no. 1, 2024.
K. M. Hindrayani, I. G. S. M. Diyasa, P. A. Riyantoko, and T. M. Fahrudin, “Studi Literatur Mengenai Prediksi Harga Saham Menggunakan Machine Learning,” in Prosiding Seminar Nasional Informatika Bela Negara (SANTIKA), 2020, pp. 71–75.
Y. A. Ramadhan, A. Faqih, and G. Dwilestari, “Prediksi Penjualan Handphone di Toko X menggunakan Algoritma Regresi Linear,” Jurnal Informatika Terpadu, vol. 9, no. 1, pp. 40–44, 2023.
S. A. Khoiri and A. Wahid, “Analisis Kinerja Algoritma Machine Learning dalam Prediksi Harga Cryptocurrency,” JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), vol. 9, no. 2, pp. 133–141, 2024.
A. N. Halim, R. Rudiman, and N. A. Verdikha, “Analisis Sentimen Opini Publik Terhadap Peristiwa Bitcoin Halving Pada Data Teks Twitter Menggunakan Metode Naïve Bayes Dan Pembobotan Fitur TF-IDF,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 3, pp. 2823–2831, 2025.
A. A. Corrs, A. Syam, and V. Aris, “Analisis sentimen tren cryptocurrency menggunakan machine learning,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 3, no. 4, pp. 59–66, 2025.
A. Bâra, S.-V. Oprea, and M. Panait, “Insights into Bitcoin and energy nexus. A Bitcoin price prediction in bull and bear markets using a complex meta model and SQL analytical functions,” Applied Intelligence, vol. 54, no. 8, pp. 5996–6024, 2024, doi: 10.1007/s10489-024-05474-2.
T. A. Borges and R. F. Neves, “Ensemble of machine learning algorithms for cryptocurrency investment with different data resampling methods,” Appl Soft Comput, vol. 90, p. 106187, 2020, doi: https://doi.org/10.1016/j.asoc.2020.106187.
S. A. Basher and P. Sadorsky, “Forecasting Bitcoin price direction with Random Foresets: How important are interest rates, inflation, and market volatility?,” Machine Learning with Applications, vol. 9, p. 100355, 2022, doi: https://doi.org/10.1016/j.mlwa.2022.100355.
P. Jaquart, D. Dann, and C. Weinhardt, “Short-term bitcoin market prediction via machine learning,” The Journal of Finance and Data Science, vol. 7, pp. 45–66, 2021, doi: https://doi.org/10.1016/j.jfds.2021.03.001.
O. A. Darmawan, Y. Heryadi, Lukas, L. A. Wulandhari, and I. Sonata, “The Utilization of Fuzzy Logic and Bollinger Bands to Enhance Trading Decision-Making During the Bitcoin Halving Phase,” Procedia Comput Sci, vol. 245, pp. 272–281, 2024, doi: https://doi.org/10.1016/j.procs.2024.10.252.
L. Zhang, R. Zhou, Q. Liu, J. Xu, C. Liu, and M. A. Babar, “Enhancing bitcoin transaction confirmation prediction: a hybrid model combining neural networks and XGBoost,” World Wide Web, vol. 26, no. 6, pp. 4173–4191, 2023, doi: 10.1007/s11280-023-01212-9.
H. K. Andi, “An accurate bitcoin price prediction using logistic regression with LSTM machine learning model,” Journal of Soft Computing Paradigm, vol. 3, no. 3, pp. 205–217, 2021.
C. Hung, J. F. Wijaya, V. Victor, I. A. Pardosi, and F. M. Sinaga, “Prediksi Fluktuasi Harga Bitcoin Dengan Menggunakan Random Foreset Classifier,” Jurnal SIFO Mikroskil, vol. 24, no. 2, pp. 95–108, 2023.
F. A. R. ALDI and N. D. Nathasia, “Prediksi Harga Dan Kinerja Aset Bitcoin Menggunakan Algoritma Long Short-Term Memory,” JURNAL FASILKOM, vol. 15, no. 1, pp. 68–76, 2025.
L. M. R. Rere, “STUDI PREDIKSI HARGA BITCOIN MENGGUNAKAN RECURRENT NEURAL NETWORK,” in Prosiding Seminar SeNTIK, 2022, pp. 149–155.
P. H. Padhila, I. Cholissodin, and P. P. Adikara, “Prediksi Harga Bitcoin berdasarkan Data Historis Harian dan Google Trend Index menggunakan Algoritme Extreme Learning Machine,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 7, pp. 3515–3524, 2022.
A. L. Susanto, N. W. S. Saraswati, M. W. Adhiputra, and I. D. M. K. Muku, “PREDIKSI HARGA BITCOIN MENGGUNAKAN METODE REGRESION LINEAR,” KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika), vol. 13, no. 2, pp. 110–116, 2024.
D. Malik, “Meningkatkan Akurasi Prediksi Harga Bitcoin dengan Algoritma GRU-LSTM Hibrida,” Buffer Informatika, vol. 11, no. 1, pp. 16–26, 2025.
A. S. Riyad, I. P. Wardhani, and A. Perdana, “Aplikasi Perbandingan Prediksi Harga Bitcoin Menggunakan Deep Learning dengan metode ARIMA, SARIMA, LTSM dan Gradient Boosting Regressor,” in Prosiding Seminar SeNTIK, 2023, pp. 199–206.
H. br Lumbantobing and R. Rahmaddeni, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Support Vector Machine,” Innovative: Journal Of Social Science Research, vol. 3, no. 2, pp. 7348–7355, 2023.
R. Dubey and D. Enke, “Bitcoin price direction prediction using on-chain data and feature selection,” Machine Learning with Applications, vol. 20, p. 100674, 2025, doi: https://doi.org/10.1016/j.mlwa.2025.100674.
