DETAIL KOLEKSI

Peramalan harga bitcoin menggunakan metode autoregressive integrated moving average dan long short-term memory


Oleh : Grace Ester Alexander

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2023

Pembimbing 1 : Dedy Sugiarto

Pembimbing 2 : Abdul Rochman

Subyek : Inventory control

Kata Kunci : forecasting, time series, bitcoin, arima, lstm, machine learning

Status Posting : Published

Status : Tidak Lengkap


File Repositori
No. Nama File Hal. Link
1. 2023_TA_SIF_064001900014_Halaman-Judul.pdf 10
2. 2023_TA_SIF_064001900014_Lembar-Pengesahan.pdf 3
3. 2023_TA_SIF_064001900014_Bab-1_Pendahuluan.pdf 3
4. 2023_TA_SIF_064001900014_Bab-2_Tinjauan-Pustaka.pdf 13
5. 2023_TA_SIF_064001900014_Bab-3_Metodologi-Penelitian.pdf 5
6. 2023_TA_SIF_064001900014_Bab-4_Pembahasan.pdf 29
7. 2023_TA_SIF_064001900014_Bab-5_Kesimpulan-dan-Saran.pdf 4
8. 2023_TA_SIF_064001900014_Daftar-Referensi.pdf 2

P Penelitian ini bertujuan untuk melakukan peramalan terhadap harga Bitcoinmenggunakan dua metode yaitu AutoRegressive Integrated Moving Average(ARIMA) dan Long Short Term Memory (LSTM). Cryptocurrency merupakanmata uang digital yang sedang populer pada masa kini, baik sebagai alatpembayaran maupun investasi. Masalah utama yang dihadapi pembeli adalahharga cryptocurrency yang fluktuatif. Maka dari itu, pada penelitian ini dilakukanperamalan terhadap harga cryptocurrency untuk mencegah terjadinyapermasalahan tersebut. Pada penelitian ini dilakukan pengujian menggunakanmetode ARIMA dan LSTM untuk mendapatkan hasil ramalan terbaik. Data yangdigunakan dalam percobaan ini adalah data riil harga dari salah satucryptocurrency, yaitu Bitcoin selama 5 tahun terakhir yang didapatkan dariwebsite Investing.com dari 1 Januari 2018 s.d 31 Desember 2022. Berdasarkanhasil penelitian ini, peramalan Bitcoin dilakukan dengan model ARIMA terbaik,yaitu ARIMA(9,1,3) dan model terbaik LSTM dengan neuron pada hidden layersebanyak 128 dan epoch sebanyak 100. Model ARIMA yang digunakan padapenelitian ini menghasilkan peramalan yang cukup akurat dengan akurasi MAPEsebesar 2.32% dan nilai RMSE sebesar 1032.90, sedangkan untuk peramalanmenggunakan model LSTM peramalan dengan akurasi MAPE sebesar 2.29% dannilai RMSE sebesar 1009.37. Hasil peramalan kedua model tergolong sangat baik,namun jika dibandingkan berdasarkan nilai MAPE, maka model LSTM padapenelitian ini merupakan model yang lebih akurat dibandingkan ARIMA dalammeramalkan harga Bitcoin.

T This study aims to forecast the price of Bitcoin using two methods, namelyAutoRegressive Integrated Moving Average (ARIMA) and Long Short TermMemory (LSTM). Cryptocurrency is a digital currency that is currently popular,both as a means of payment and investment. The main problem buyers face is thefluctuating price of cryptocurrencies. Therefore, in this study, forecastingcryptocurrency prices was carried out to prevent these problems from occurring.In this study, testing was carried out using the ARIMA and LSTM methods to getthe best forecast results. The data used in this experiment is real data on the priceof one of the cryptocurrencies, namely Bitcoin for the last 5 years obtained fromthe Investing.com website from 1 January 2018 to 31 December 2022. Based onthe results of this study, Bitcoin forecasting is carried out using the best ARIMAmodel, namely ARIMA(9,1,3) and the best LSTM model with 128 neurons in thehidden layer and 100 epochs. The ARIMA model used in this study producesforecasts that are quite accurate with a MAPE accuracy of 2.32% and an RMSEvalue of 1032.90 while forecasting using the LSTM forecasting model with aMAPE accuracy of 2.29% and an RMSE value of 1009.37. The forecasting resultsof both models are excellent, but when compared based on the MAPE value, theLSTM model in this study is a more accurate than ARIMA in forecasting Bitcoinprices.

Bagaimana Anda menilai Koleksi ini ?