ANALISIS PERBANDINGAN PERFORMA LONG-SHORT TERM MEMORY DAN ARIMA PADA PREDIKSI NILAI MATA UANG BITCOIN

Panduasa, Reksa (2024) ANALISIS PERBANDINGAN PERFORMA LONG-SHORT TERM MEMORY DAN ARIMA PADA PREDIKSI NILAI MATA UANG BITCOIN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (2MB)
[img] Text (BAB I)
BAB I.pdf
Download (273kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (648kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (693kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (829kB)
[img] Text (BAB V)
BAB V.pdf
Download (105kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (185kB)
[img] Archive (SOURCE CODE)
Sourcecode - 21.11.4352.zip
Restricted to Repository staff only
Download (818kB)
[img] Text (PUBLIKASI)
Publikasi.pdf
Restricted to Repository staff only
Download (993kB)

Abstract

Penelitian ini membandingkan performa algoritma Long Short-Term Memory (LSTM) dan Autoregressive Integrated Moving Average (ARIMA) dalam memprediksi harga Bitcoin. Bitcoin, sebagai mata uang kripto paling populer, dikenal dengan volatilitasnya yang tinggi. Data harga Bitcoin harian dari 18 Juli 2010 hingga 9 Februari 2024 digunakan untuk melatih kedua model. Proses persiapan data meliputi konversi tipe data, pembersihan data, dan normalisasi. Model LSTM diimplementasikan menggunakan pustaka Keras dengan empat layer, sementara model ARIMA menggunakan parameter (3,1,2) yang ditentukan melalui analisis auto-ARIMA. Performa kedua model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model LSTM memiliki performa yang lebih baik dibandingkan ARIMA, dengan nilai MAE, MSE, dan RMSE yang lebih rendah, meskipun nilai MAPE-nya sedikit lebih tinggi. Kesimpulannya, LSTM terbukti lebih akurat dan efektif untuk memprediksi harga Bitcoin yang bersifat volatil dan fluktuatif, menjadikannya pilihan yang lebih sesuai untuk kasus ini.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Rahardi, Majid
Uncontrolled Keywords: Bitcoin, Prediksi Harga, Long Short-Term Memory, ARIMA, Perbandingan Performa
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 13 Mar 2025 01:16
Last Modified: 13 Mar 2025 01:16
URI: http://eprints.amikom.ac.id/id/eprint/28808

Actions (login required)

View Item View Item