PREDIKSI HARGA BITCOIN DENGAN MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY
DOI:
https://doi.org/10.54314/jssr.v9i5.7183Keywords:
Bitcoin, Cryptocurrency, Jaringan Syaraf Tiruan, Algoritma Long Short Term Memory, Data Deret Waktu, MAPE, RMSEAbstract
Abstract: In digital era currently, crypto currencies such as Bitcoin has become a popular investment choice. However, high and unstable price fluctuations make investors need to have accurate information to make the right investment decisions. Therefore, in this study aims to predict the price of Bitcoin in using the Long Short Term Memory (LSTM) algorithm. The LSTM algorithm has a unique ability to process data dynamically and relevant information memory in the long and short term. This study conducted experiments in using historical data on Bitcoin prices over a certain period. Then, the data was processed and presented in the LSTM model to carry out the learning and prediction process. The results of this study indicated that the LSTM algorithm can predict Bitcoin prices with fairly good accuracy. The best accuracy was produced by the Long Short Term Memory method in predicting Bitcoin prices was carried out up to 30 trials with different parameters is 980.24 with RMSE calculations, and 2.41% with MAPE calculations.
Keywords: Bitcoin, Cryptocurrency, Neural Network, Long Short Term Memory, Datatime Series, MAPE, And RMSE.
Abstrak: Dalam era digital saat ini, mata uang kripto seperti Bitcoin menjadi salah satu pilihan investasi yang populer. Namun, fluktuasi harga yang tinggi dan tidak stabil membuat investor perlu memiliki informasi yang akurat untuk membuat keputusan investasi yang tepat. Oleh karena itu, dalam penelitian ini kami bertujuan untuk memprediksi harga Bitcoin menggunakan algoritma Long Short Term Memory (LSTM). Algoritma LSTM memiliki kemampuan yang unik dalam memproses data secara dinamis dan memori informasi yang relevan dalam jangka panjang dan pendek. Penelitian ini melakukan eksperimen dengan menggunakan data historis harga Bitcoin selama periode tertentu. Kemudian, data tersebut diolah dan disajikan ke dalam model LSTM untuk melakukan proses pembelajaran dan prediksi. Hasil dari penelitian ini menunjukkan bahwa algoritma LSTM dapat memprediksi harga Bitcoin dengan akurasi yang cukup baik. Akurasi terbaik yang dihasilkan oleh metode Long Short Term Memory dalam melakukan prediksi harga Bitcoin yang dilakukan sampai dengan 30 kali percobaan dengan parameter berbeda-beda adalah 980.24 dengan perhitungan RMSE, dan 2.41% dengan perhitungan MAPE.
Kata kunci: Bitcoin, Cryptocurrency, Jaringan Syaraf Tiruan, Algoritma Long Short Term Memory, Data Deret Waktu, MAPE, dan RMSE.
Downloads
References
Bitcoin Chart. (2022). Bitcoin.com Markets.
Cai, C., Tao, Y., Zhu, T., & Deng, Z. (2021). Short-term load forecasting based on deep learning bidirectional lstm neural network. Applied Sciences (Switzerland), 11(17). https://doi.org/10.3390/app11178129
Fauzi, M. A., Paiman, N., & Othman, Z. (2020). Bitcoin and cryptocurrency: Challenges, opportunities and future works. Journal of Asian Finance, Economics and Business, 7(8), 695–704. https://doi.org/10.13106/JAFEB.2020.VOL7.NO8.695
Liang, Z., Zou, R., Chen, X., Ren, T., Su, H., & Liu, Y. (2020). Simulate the forecast capacity of a complicated water quality model using the long short-term memory approach. Journal of Hydrology, 581. https://doi.org/10.1016/j.jhydrol.2019.124432
Mudassir, M., Bennbaia, S., Unal, D., & Hammoudeh, M. (2020). Time-series forecasting of Bitcoin prices using high-dimensional features: a machine learning approach. Neural Computing and Applications. https://doi.org/10.1007/s00521-020-05129-6
Sihombing, S., Rizky Nasution, M., & Sadalia, I. (2021). Analisis Fundamental Cryptocurrency terhadap Fluktuasi Harga: Studi Kasus Tahun 2019-2020. Jurnal Akuntansi, Keuangan, Dan Manajemen, 2(3), 213–224. https://doi.org/10.35912/jakman.v2i3.373
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Ahmad Fauzan Nasution, Muhammad Ikhsan, Raissa Amanda Putri (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
