Penerapan Long Short-Term Memory untuk Prediksi Harga Mingguan Bitcoin Data Historis

Penerapan Long Short-Term Memory

Abstract

Penelitian ini bertujuan untuk memprediksi harga penutupan mingguan Bitcoin menggunakan jaringan saraf Long Short-Term Memory (LSTM) berbasis data deret waktu historis. Dataset yang digunakan terdiri atas 539 data mingguan yang mencakup periode 4 Januari 2015 hingga 27 April 2025 yang diperoleh dari situs Investing.com Indonesia. Variabel yang diprediksi adalah harga penutupan, sedangkan data harga historis mingguan digunakan sebagai variabel masukan. Data diproses melalui tahapan pembersihan data, normalisasi, serta pembentukan data deret waktu dalam bentuk supervised learning. Model LSTM dilatih dan diuji menggunakan dataset tersebut, dan kinerjanya dievaluasi menggunakan Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan bahwa model LSTM mampu menangkap pola pergerakan harga Bitcoin pada periode pengujian. Nilai evaluasi yang diperoleh menunjukkan tingkat akurasi yang baik, dengan MAE sebesar 0,0703, MSE sebesar 0,0072, dan MAPE sebesar 0,0896. Temuan ini menunjukkan bahwa model LSTM efektif digunakan untuk prediksi harga mingguan Bitcoin berbasis data historis. Pada penelitian selanjutnya, model dapat dikembangkan dengan menambahkan variabel eksternal seperti indikator makroekonomi atau analisis sentimen untuk meningkatkan akurasi prediksi