Prediksi Harga Dan Kinerja Aset Bitcoin Menggunakan Algoritma Long Short-Term Memory

Authors

  • FACHRI ALHADI RAMADHAN ALDI Universitas Nasional
  • Novi Dian Nathasia Universitas Nasional

DOI:

https://doi.org/10.37859/jf.v15i1.8902
Keywords: Bitcoin, Prediksi Harga, LSTM, Machine Learning, Cryptocurrency

Abstract

Bitcoin telah menunjukkan volatilitas harga yang tinggi. Hal ini membawa risiko besar bagi investor, tetapi juga memberikan peluang besar bagi investor. Salah satu metode yang menarik untuk prediksi harga Bitcoin yang memiliki volatilitas tinggi adalah algoritma LSTM, sebuah varian RNN yang dapat memproses data deret waktu serta mengingat informasi jangka panjang dan pendek secara efektif. Penelitian ini merupakan pembaruan dari penelitian-penelitian sebelumnya yang umumnya hanya menggunakan satu lapisan LSTM. Dalam penelitian ini, dilakukan perbandingan antara dua skenario model LSTM untuk melihat sejauh mana arsitektur dan konfigurasi model mempengaruhi performa prediksi harga Bitcoin. Berdasarkan hasil penelitian yang sudah dilakukan pada Skenario 1 dengan menggunakan algoritma LSTM Double Layer 128, 64 neuron, 100 epoch, 32 batch size, data latih 80%, data uji 20%, dan optimasi adam, lebih baik dibandingkan Skenario 2 yang menggunakan algoritma LSTM Single Layer 50 neuron, 100 epoch, 32 batch size, data latih 80%, data uji 20%, dan optimasi adam. Skenario 1 menunjukkan tingkat akurasi yang cukup baik dalam memprediksi harga Bitcoin. Performa model algoritma Skenario 1 dievaluasi menggunakan metrik MSE dengan nilai 0.00044, RMSE dengan nilai 0.02119, MAE dengan nilai 0.01586, MAPE dengan nilai 2.51% dan R2 dengan nilai 0.98. Hubungan antara prediksi harga dan evaluasi kinerja ini penting, karena prediksi harga yang akurat menjadi dasar untuk menghitung potensi keuntungan dan risiko dari investasi Bitcoin. Dari hasil prediksi harga Bitcoin yang dihasilkan dari model Skenario 1, kemudian digunakan untuk mengevaluasi kinerja aset Bitcoin selama periode 2018–2024. Rata-rata Return pertahun Bitcoin sebesar 83.07%. Volatilitas sebesar 82.837. Sharpe Ratio sebesar 1.003 menunjukkan bahwa return yang diperoleh relatif sebanding dengan risiko yang diambil, yang dianggap cukup baik dalam konteks investasi berisiko tinggi.

Downloads

Download data is not yet available.

References

F. Andreas, Mikhael, and U. Enri, “Perbandingan Algoritma Backpropagation Neural Network dan Long Short-Term Memory dalam Memprediksi Harga Bitcoin,” J. Ilm. Wahana Pendidik., vol. 8, no. 12, pp. 547–558, 2022, [Online]. Available: https://doi.org/10.5281/zenodo.700976

S. Nakamoto, “Bitcoin: Sebuah Sistem Uang Tunai Elektronik Peer-to-Peer,” Bitcoin, pp. 1–10, 2008, [Online]. Available: www.bitcoin.org

G. Tamami and M. Arifin, “Penggunaan LSTM dalam Membangun Prediksi Penjualan untuk Aplikasi Laptop Lens,” J. FASILKOM, vol. 14, no. 2, pp. 301–308, 2024.

S. A. Khoiri and A. Wahid, “Analisis Kinerja Algoritma Machine Learning dalam Prediksi Harga Cryptocurrency,” J. Sist. dan Teknol. Inf. Indones., vol. 9, no. 2, pp. 133–141, 2024.

I. Nurhaida, M. Sobiri, and S. Jaya, “Optimasi Prediksi Cryptocurrency Menggunakan Pendekatan Deep Learning,” JSAI (Journal Sci. Appl. Informatics), vol. 6, no. 2, pp. 197–204, 2023, doi: 10.36085/jsai.v6i2.5288.

T. Bastian Sianturi, I. Cholissodin, and N. Yudistira, “Penerapan Algoritma Long Short-Term Memory (LSTM) berbasis Multi Fungsi Aktivasi Terbobot dalam Prediksi Harga Ethereum,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, pp. 1101–1107, 2023, [Online]. Available: http://j-ptiik.ub.ac.id

M. Istaltofa, S. Sarwido, and A. Sucipto, “Comparison of Linear Regression and LSTM (Long Short-Term Memory) in Cryptocurrency Prediction,” J. Dinda Data Sci. Inf. Technol. Data Anal., vol. 4, no. 2, pp. 141–148, 2024, doi: 10.20895/dinda.v4i2.1575.

B. Lindemann, T. Müller, H. Vietz, N. Jazdi, and M. Weyrich, “A survey on long short-term memory networks for time series prediction,” Procedia CIRP, vol. 99, pp. 650–655, 2021, doi: 10.1016/j.procir.2021.03.088.

Jiwa Akbar and I. L. K. Muchtar Ali Setyo Yudono, “Peramalan harga bitcoin cash-usd (bch-usd) pada time frame harian menggunakan lstm,” J. Mnemon., vol. 7, no. 2, pp. 184–191, 2024.

C. Olah, “Understanding LSTM Networks,” colah’s blog. Accessed: Feb. 15, 2025. [Online]. Available: https://colah.github.io/posts/2015-08-Understanding-LSTMs/

Moch Farryz Rizkilloh and Sri Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 1, pp. 25–31, 2022, doi: 10.29207/resti.v6i1.3630.

S. Rao, P. Poojary, J. Somaiya, and P. Mahajan, “a Comparative Study Between Various Preprocessing Techniques for Machine Learning,” Int. J. Eng. Appl. Sci. Technol., vol. 5, no. 3, pp. 431–438, 2020, doi: 10.33564/ijeast.2020.v05i03.069.

Trivusi, “Data Splitting: Pengertian, Metode, dan Kegunaannya,” Trivusi Blog. Accessed: Feb. 15, 2025. [Online]. Available: https://www.trivusi.web.id/2022/08/data-splitting.html

K. Devi, “Understanding Hold-Out Methods for Training Machine Learning Models,” Comet Blog. Accessed: Feb. 15, 2025. [Online]. Available: https://www.comet.com/site/blog/understanding-hold-out-methods-for-training-machine-learning-models/

R. Firdaus, “Prediksi Indeks Harga Produsen Pertanian Karet Di Indonesia Menggunakan Metode LSTM,” J. Fasilkom, vol. 13, no. 01, pp. 1–6, 2023, doi: 10.37859/jf.v13i01.4851.

I. A. Yuri, N. O. Lisadi, and M. R. Sari, “Analisis Kinerja Portofolio Saham Perusahaan Pada Sektor Jasa Penerbangan Di Beberapa Negara Asean,” J. Ilm. Akunt. Kesatuan, vol. 9, no. 3, pp. 563–574, 2022, doi: 10.37641/jiakes.v9i3.905.

Thoraya and Muyassaroh, “Analisis Pengaruh Return on Assets, Debt To Equity Ratio Dan Corporate Social Resposibility Terhadap Return Saham Pada Perusahaan Manufaktur Sektor Barang Komsumsi Yang Terdaftar Di Bursa Efek Indonesia Periode 2016-2020,” MIZANIA J. Ekon. Dan Akunt., vol. 3, no. 2, pp. 393–408, 2023, doi: 10.47776/mizania.v3i2.718.

M. Ridho, “Faktor-Faktor Yang Mempengaruhi Volatilitas Harga Saham pada Perusahaan LQ45 di Bursa Efek Indonesia,” J. Rekognisi Ekon. Islam, vol. 3, no. 2, pp. 1–10, 2024.

C. Lumbantobing and I. Sadalia, “Analisis Perbandingan Kinerja Cryptocurrency Bitcoin, Saham, dan Emas sebagai Alternatif Investasi,” Stud. Ilmu Manaj. dan Organ., vol. 2, no. 1, pp. 33–45, 2021, doi: 10.35912/simo.v2i1.393.

S. L. Oktavia, L. Aldina, Nurdiyanto, M. Fahrati, and T. Yulaeli, “Faktor-faktor yang mempengaruhi Nilai Waktu Uang: Future Value, Present Value, dan Annuity,” J. Publ. Ilmu Manaj., vol. 2, no. 3, pp. 153–168, 2023, [Online]. Available: https://doi.org/10.55606/jupiman.v2i2.2061

Downloads

Published

2025-04-22

Issue

Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)

Section

Articles

License

Copyright Notice

An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:

  • Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
  • Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
  • Author is  permitted and encouraged to post his/her  work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).

Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.