Katalog Tugas Akhir & Lulusan

ANALISIS MODEL LONG SHORT-TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) UNTUK PREDIKSI HARGA BITCOIN BERDASARKAN DATA CLOSING PRICE, VOLUME DAN INDIKATOR TEKNIKAL

Teknologi blockchain telah menjadikan Bitcoin sebagai salah satu aset digital yang paling banyak diperdagangkan di dunia. Namun, fluktuasi harganya yang tinggi menyebabkan pengambilan keputusan investasi menjadi sulit dan membutuhkan suatu model yang mampu menangkap perilaku kompleks dan nonlinier. Penelitian ini membandingkan dua varian Recurrent Neural Network (RNN), yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk memprediksi harga Bitcoin dengan menggunakan kombinasi variabel masukan berupa harga penutupan, volume perdagangan, serta tiga indikator teknikal, yaitu Moving Average (MA), Relative Strength Index (RSI), dan Moving Average Convergence Divergence (MACD). Tahapan penelitian meliputi pengumpulan data harga Bitcoin harian, perhitungan indikator teknikal, prapemrosesan data, pelatihan jaringan LSTM dan GRU, serta evaluasi kinerja masing-masing model menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Pada data pengujian, model GRU memperoleh nilai RMSE sebesar $12.194,34, MAE sebesar $10.125,90, MAPE sebesar 10,0629%, dan tingkat akurasi sebesar 89,9371%. Sementara itu, model LSTM memperoleh RMSE sebesar $26.401,57, MAE sebesar $23.476,99, MAPE sebesar 23,9027%, dan tingkat akurasi sebesar 76,0973%. Kedua model mampu mengikuti tren harga secara umum, tetapi GRU menunjukkan kinerja yang secara jelas lebih baik dibandingkan LSTM pada pengaturan multivariat ini. Perbedaan tersebut dikaitkan dengan struktur gerbang GRU yang lebih sederhana dan proses pelatihan yang lebih efisien. Temuan ini menunjukkan bahwa model yang dihasilkan berpotensi menjadi salah satu komponen pendukung dalam pengembangan alat bantu pengambilan keputusan maupun sistem perdagangan otomatis di pasar mata uang kripto, serta turut memperkaya penelitian mengenai penerapan pendekatan deep learning untuk peramalan pasar keuangan digital yang bersifat dinamis.