Kombinasi LSTM dan GRU Untuk Prediksi Harga Bitcoin

Abstract

Abstrak— Bitcoin merupakan aset kripto yang memiliki tingkat besaran jarak naik dan turunnya harga yang sangat tinggi sehingga sulit diprediksi secara akurat. Pergerakan harga dipengaruhi dari berbagai faktor, termasuk sentimen pasar dari para pelaku pasar, situasi ekonomi global, dan aktivitas perdagangan. Tujuan penelitian ini adalah mengembangkan model peramalan harga Bitcoin menggunakan kombinasi Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Dataset yang digunakan berbentuk data historis harga penutupan Bitcoin per USD yang diperoleh dari Yahoo Finance dengan periode Oktober 2014 hingga Februari 2023. Data diproses melalui tahap normalisasi menggunakan Min-Max Scaling dan menggunakan metode sliding window dengan ukuran window 30 dan 60. Pengujian dilakukan dengan beberapa skenario pembagian data, yaitu 90:10, 85:15, 80:20, 70:30, 60:40, dan 50:50, dengan jumlah epoch sebanyak 50 dan 100. Evaluasi model dilakukan menggunakan R², MAE, RMSE, dan MSE. Hasil penelitian menunjukkan bahwa model kombinasi LSTM dan GRU menghasilkan performa yang sangat baik dengan nilai yang diperoleh pada window size 30, pembagian data 60:40, dan epoch 50, yaitu R² sebesar 0,991726, MAE sebesar 0,013888, RMSE sebesar 0,020943, dan MSE sebesar 0,000439.

Kata Kunci— Bitcoin, Prediksi Harga, Deep Learning, Long Short-Term Memory, Gated Recurrent Unit, Time Series.