OPTIMASI METODE LSTM DAN SVM DALAM MENINGKATKAN PERFORMA PREDIKSI HARGA CRYPTOCURRENCY

Sari, Risna (2023) OPTIMASI METODE LSTM DAN SVM DALAM MENINGKATKAN PERFORMA PREDIKSI HARGA CRYPTOCURRENCY. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.51.2091 Risna Sari.pdf Download (4MB)

Abstract

Revolusi industri 4.0 berkembang pesat hingga ke seluruh aspek kehidupan manusia. Salah satu yang dirasakan yaitu digital ekonomi dengan sistem yang mengandalkan pihak ketiga seperti bank untuk proses transaksinya yang membuat orang - orang kehilangan kendali atas kepemilikan data mereka. Hingga hadirnya Cryptocurrency dengan Bitcoin sebagai pelopor mata uang virtual dengan sistem transfer uang peer-to-peer (P2P) yang memungkinkan pengguna untuk bertransaksi uang digital melalui internet publik tanpa perantara. Namun Cryptocurrency sendiri utamanya tidak stabil ditandai dengan jumlah transaksi dan perubahan harga yang signifikan. Penelitian ini berjudul Optimasi Metode LSTM dan SVM dalam Meningkatkan Performa Prediksi Harga Cryptocurrency. Tujuan dari penelitian ini meningkatkan performa prediksi harga cryptocurrency menggunakan metode Long Short-Term Memory (LSTM) dan Support Vector Machine (SVM). Koin Cryptocurrency yang digunakan yaitu Bitcoin, Ethereum, dan Solana. Data yang digunakan diperoleh dari portal global penyedia berita pasar keuangan Yahoo Finance dengan rentang waktu Juni 2021 - September 2022. Penelitian ini menerapkan skenario pada pengujian alokasi data dengan interval 10% hingga 90%. Kemudian menentukan nilai “n” future days pada metode SVM. Penggunaan dataset 1 bulan, 3 bulan, 5 bulan dan 1 tahun 3 bulan untuk metode LSTM. Total running time keseluruhan penerapan skenario yaitu 243 dengan metode SVM = 108 dan LSTM = 135. Hasil yang diperoleh yaitu nilai error terkecil menggunakan evaluasi metode Mean Absolute Percentage Error (MAPE), RSquare (R2), Nilai Confidence SVM. Diperoleh nilai error MAPE terkecil Bitcoin menggunakan metode SVM 6.4% dengan nilai Confidence = 95.3%, Ethereum = 6.3% dengan nilai Confidence = 95.7%, Solana = 9% dengan nilai Confidence = 95.9%. Untuk error MAPE terkecil Bitcoin menggunakan metode LSTM 0.08%, Ethereum = 0.021%, Solana = 0.03% dengan nilai R-Square keseluruhan 99%. Faktor yang mempengaruhi performa terbaik metode LSTM dan SVM dalam memprediksi yaitu penentuan nilai “n” untuk future days SVM, Penggunaan data pada metode LSTM, dan Finding Tuning untuk kedua metode baik itu Tuning Parameter Metode SVM dan Hyperparameter Tuning untuk Metode LSTM. Hasil prediksi ini dapat dimanfaatkan bagi para pegiat cryptocurrency untuk membuat strategi trading dari asetnya, pengambilan keputusan investasi hingga pengelolaan sebuah website prediksi dengan memanfaatkan machine learning ataupun deep learning.

Actions (login required)

View Item