Analisis Dan Implementasi Metode Lstm (Long Short Term Memory) Untuk Memprediksi Harga Bitcoin Berdasarkan Evaluasi Data Historis

Excel Putra Aryaditama, . (2025) Analisis Dan Implementasi Metode Lstm (Long Short Term Memory) Untuk Memprediksi Harga Bitcoin Berdasarkan Evaluasi Data Historis. Other thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (369kB)
	Text BAB I.pdf Restricted to Registered users only Download (89kB)
	Text BAB II.pdf Restricted to Registered users only Download (766kB)
	Text BAB III.pdf Restricted to Registered users only Download (303kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (14kB)
	Text JURNAL.pdf Restricted to Registered users only Download (83kB)

Abstract

Volatilitas tinggi harga Bitcoin menjadi tantangan bagi investor dan menunjukkan keterbatasan model prediksi konvensional. Penelitian ini bertujuan untuk merancang dan mengevaluasi sebuah kerangka kerja prediksi harga Bitcoin menggunakan metode Long Short-Term Memory (LSTM) dengan tambahan arsitektur Bidirectional Long Short-Term Memory (BiLSTM) yang tidak hanya memprediksi tren tetapi juga mengukur ketidakpastian. Penggunaan dataset penelitian menggunakan data harga Bitcoin dari 1 Januari 2020 hingga 2 Juni 2025 dengan frekuensi data; bulanan, mingguan, dan harian yang diperkaya dengan fitur indikator teknikal. Kinerja model dievaluasi secara deterministik menggunakan metrik MAE dan MAPE, sementara proyeksi probabilistik dihasilkan melalui Simulasi Monte Carlo. Hasil menunjukkan bahwa frekuensi data secara signifikan memengaruhi kinerja; model harian, meskipun mencapai akurasi kuantitatif tertinggi (MAPE 2,09%) terbukti mengalami overfitting. Analisis proyeksi indikator MACD memperkuat temuan ini; proyeksi mingguan mengindikasikan potensi koreksi, sementara proyeksi bulanan mengonfirmasi momentum bullish jangka panjang. Penelitian ini menyimpulkan bahwa pendekatan data mingguan adalah yang paling efektif, karena berhasil mencapai keseimbangan optimal antara menyaring noise dan menangkap tren fundamental tanpa mengalami overfitting, sehingga menghasilkan proyeksi jangka menengah yang stabil dan relevan secara taktis.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kata Kunci: Prediksi Harga Bitcoin, Bidirectional Long Short-Term Memory (BiLSTM), Data Deret Waktu, Simulasi Monte Carlo, Indikator Teknikal
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Mahlil Muhammad, S.IP
Date Deposited:	30 Sep 2025 07:59
Last Modified:	30 Sep 2025 07:59
URI:	http://repository.unpam.ac.id/id/eprint/17575

Actions (login required)

View Item