@phdthesis{universitasamikomyogyakarta32252,
          school = {Universitas AMIKOM Yogyakarta},
          author = {Wisnu Wicaksono},
            year = {2026},
           title = {PERBANDINGAN ALGORITMA LSTM, Bi-LSTM, DAN GRU UNTUK
PREDIKSI HARGA CRYPTO},
           month = {January},
        keywords = {Prediksi Harga, Kripto, LSTM, Bi-LSTM, GRU, Price Prediction, Cryptocurrency.},
        abstract = {Tingginya Ketidakstabilan harga cryptocurrency seperti Bitcoin
menciptakan risiko signifikan bagi investor dan institusi keuangan. Model prediksi
tradisional seringkali gagal menangkap pola data deret waktu yang kompleks dan
non-stasioner ini. Meskipun model deep learning seperti LSTM, Bi-LSTM, dan
GRU telah banyak diterapkan, terdapat kebutuhan untuk perbandingan kinerja yang
komprehensif untuk menentukan arsitektur yang paling optimal dalam
memprediksi harga aset yang sangat fluktuatif. 
Penelitian ini membandingkan tiga model yaitu LSTM, Bi-LSTM, dan 
GRU. Metode penelitian dimulai dari pengumpulan data harga Bitcoin (BTC) per 
jam periode 2018-2025. Data harga penutupan (Close) kemudian diproses
menggunakan normalisasi MinMax Scaler dan teknik sliding window dengan time
step 24 jam. Dataset dibagi menjadi 80\% data latih dan 20\% data uji, kemudian
ketiga model dievaluasi kinerjanya menggunakan metrik RMSE, MAE, MAPE, dan
R2 Score. 
Hasil penelitian menunjukkan bahwa model Bi-LSTM mencapai kinerja
terbaik dengan tingkat error terendah dengan RMSE 503.49, MAE 331.89, MAPE
0.39\%, dan R? 0.9994. Model LSTM menempati posisi kedua dengan RMSE
518.03, MAE 343.63, MAPE 0.41\%, dan R? 0.9994, sedangkan GRU memiliki
error tertinggi dengan RMSE 618.01, MAE 441.79, MAPE 0.49\%, dan R? 0.9991.
Menariknya, Bi-LSTM juga terbukti paling efisien dalam pembelajaran (konvergen
di epoch 19) meskipun paling lambat secara komputasi (13ms/step). Penelitian ini
memberikan kontribusi praktis bagi investor dan pengembang sistem FinTech
dalam memilih model prediksi yang paling akurat dan efisien.},
             url = {https://eprints.amikom.ac.id/id/eprint/32252/}
}