Prediksi Harga Bitcoin dengan Pendekatan Deep Learning Menggunakan Algoritma LSTM
Keywords:
Bitcoin, Cryptocurrency, Deep Learning, Long Short-Term Memory (LSTM), Prediksi hargaAbstract
Perkembangan teknologi digital telah memunculkan berbagai inovasi dalam sistem keuangan, salah satunya adalah cryptocurrency. Bitcoin sebagai salah satu jenis cryptocurrency dengan kapitalisasi pasar terbesar, menarik perhatian investor karena volatilitas harganya yang tinggi dan potensinya sebagai instrumen investasi. Namun, fluktuasi harga Bitcoin yang kompleks dan sulit diprediksi menjadi tantangan tersendiri dalam pengambilan keputusan investasi. Penelitian ini bertujuan untuk melakukan prediksi harga Bitcoin menggunakan pendekatan deep learning dengan algoritma Long Short-Term Memory (LSTM). Data yang digunakan berupa harga historis Bitcoin yang kemudian melalui tahap preprocessing seperti normalisasi dan pembentukan urutan time series dengan jendela waktu tertentu. Model LSTM yang dibangun terdiri dari tiga lapisan LSTM dengan jumlah neuron 128, 64, dan satu Dense layer sebagai keluaran. Evaluasi dilakukan menggunakan metrik RMSE, MSE, dan MAE untuk menilai tingkat akurasi prediksi. Hasil penelitian menunjukkan bahwa model LSTM mampu mengikuti tren pergerakan harga Bitcoin secara umum, meskipun belum sepenuhnya akurat dalam menangkap fluktuasi ekstrem. Model ini kemudian diimplementasikan menggunakan framework Flask sebagai antarmuka berbasis web, yang memungkinkan pengguna melakukan prediksi harga secara interaktif. Hasil penelitian ini diharapkan menjadi referensi sebagai pendukung keputusan investasi berbasis machine learning.References
H. b. Lumbantobing dan R. , “Prediksi Harga Cryptocurrency Menggunakan Algoritma Support Vector Machine,” INNOVATIVE: Journal Of Social Science Research, vol. 3, no. 2, pp. 7348-7355, 2023.
P. A. Sunarya, “Penerapan Sertifikat pada Sistem Keamanan menggunakan Teknologi Blockchain,” Jurnal Mentari: Manajemen Pendidikan dan Teknologi Informasi, vol. 1, no. 1, pp. 58-67, 2022.
I. E. Maulani, T. Herdianto, D. F. Syawaludin dan M. O. Laksana, “PENERAPAN TEKNOLOGI BLOCKCHAIN PADA SISTEM KEAMANAN INFORMASI,” Jurnal Sosial dan Teknologi (SOSTECH), vol. 3, no. 2, pp. 99-102, 2023.
M. F. Rizkilloh dan S. Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 25-31, 2022.
A. Sujjada, F. Sembiring dan F. , “Prediksi Harga Bitcoin Menggunakan Algoritma Long ShortTerm Memory,” JURNAL INOVTEK POLBENG - SERI INFORMATIKA, vol. 9, no. 1, pp. 450-459, 2024.
M. F. Arfa, M. R. A. Fathan, H. B. Lumbantobing dan R. , “Prediksi Harga Cryptocurrency dengan Metode Linier Regresi,” SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyaraka, pp. 8-15, 2023.
Bitcoin, “Bitcoin - Open source P2P money,” December 2024. [Online]. Available: https://bitcoin.org/id/. [Diakses December 2024].
M. D. A. Carnegie dan C. , “Perbandingan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Untuk Memprediksi Curah Hujan,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 3, pp. 1022-1032, 2023.
A. Khumaidi dan I. A. Nirmala, Algoritma long short term memory dengan hyperparameter tuning : prediksi penjualan produk, Deepublish, 2022.
F. Putra, H. F. Tahiyat, R. M. Ihsan, Rahmaddeni dan L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 273-281, 2024.
P. Sugiartawan, A. A. J. Permana dan P. I. Prakoso, “Forecasting Kunjungan Wisatawan Dengan Long Short Term Memory (LSTM),” Jurnal Sistem Informasi dan Komputer Terapan Indonesia (JSIKTI), vol. 1, no. 1, p. 43~52, 2018.
L. Wiranda dan M. Sadikin, “PENERAPAN LONG SHORT TERM MEMORY PADA DATA TIME SERIES UNTUK MEMPREDIKSI PENJUALAN PRODUK PT. METISKA FARMA,” Jurnal Nasional Pendidikan Teknik Informatika, vol. 8, no. 3, pp. 184-196, 2019.
S. Sautomo dan H. F. Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 99-106, 2021.
P. N. Dacipta dan R. E. Putra, “Sistem Klasifikasi Limbah Menggunakan Metode Convolutional Neural Network (CNN) Pada Web Service Berbasis Framework Flask,” Journal of Informatics and Computer Science, vol. 3, no. 4, pp. 394-402, 2022.
