Penerapan Long Short-Term Memory dalam Prediksi Harga Mingguan Bitcoin Berbasis Data Historis
DOI:
https://doi.org/10.55382/jurnalpustakaai.v5i3.1582Keywords:
Bitcoin, Long Short-Term Memory, Deep Learning, Prediksi Harga Mingguan, Data HistorisAbstract
Bitcoin merupakan salah satu aset kripto yang memiliki tingkat volatilitas harga yang tinggi, sehingga prediksi pergerakan harganya menjadi tantangan tersendiri. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam memprediksi harga mingguan Bitcoin berdasarkan data historis. Data yang digunakan berupa data historis harga Bitcoin dengan frekuensi mingguan yang telah melalui tahapan pra-pemrosesan, normalisasi, dan pembentukan data deret waktu. Model LSTM dilatih menggunakan data pelatihan dan dievaluasi menggunakan data pengujian. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan prediksi harga yang mengikuti pola dan arah tren pergerakan harga Bitcoin aktual pada sebagian besar periode pengujian. Meskipun demikian, tingkat kesalahan prediksi cenderung meningkat pada periode dengan volatilitas harga yang tinggi. Hasil penelitian ini menunjukkan bahwa metode LSTM dapat digunakan sebagai pendekatan untuk memodelkan pergerakan harga Bitcoin berbasis data historis mingguan.
Downloads
References
Bengio, Y., Simard, P., dan Frasconi, P. 1994. Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks. 5 (2): 157–166.
Brownlee, J. 2018. Deep Learning for Time Series Forecasting. Melbourne: Machine Learning Mastery.
Fischer, T. dan Krauss, C. 2018. Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research. 270 (2): 654–669.
Hochreiter, S. dan Schmidhuber, J. 1997. Long short-term memory. Neural Computation. 9 (8): 1735–1780.
Hyndman, R.J. dan Athanasopoulos, G. 2021. Forecasting: Principles and Practice. Melbourne: OTexts.
Nugroho, A. dan Santoso, B. 2022. Prediksi harga saham menggunakan metode long short-term memory. Jurnal Pustaka AI. 2 (1): 15–25.
Pratama, R. dan Wibowo, D. 2023. Penerapan deep learning untuk prediksi data deret waktu. Jurnal Pustaka AI. 3 (2): 45–54.
Selvin, S., Vinayakumar, R., Gopalakrishnan, E.A., Menon, V.K., dan Soman, K.P. 2017. Stock price prediction using LSTM, RNN and CNN-sliding window model. International Conference on Advances in Computing, Communications and Informatics. 1643–1647.
Siami-Namini, S., Tavakoli, N., dan Namin, A.S. 2018. A comparison of ARIMA and LSTM in forecasting time series. Proceedings of the 2018 IEEE International Conference on Machine Learning and Applications. 1394–1401.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Andi muhammad Bintang, Suhirman2
This work is licensed under a Creative Commons Attribution 4.0 International License.
