eprintid: 33178
rev_number: 15
eprint_status: archive
userid: 12
dir: disk0/00/03/31/78
datestamp: 2026-10-06 07:27:58
lastmod: 2026-10-06 07:27:58
status_changed: 2026-10-06 07:27:58
type: thesis
metadata_visibility: show
creators_name: Zacky, Haydar Wildan
creators_nim: 22.11.4689
contributors_name: Abdulloh, Ferian Fauzi
corp_creators: Universitas AMIKOM Yogyakarta
title: IMPLEMENTASI DEEP LEARNING MENGGUNAKAN
ARSITEKTUR CNN-LSTM DENGAN GENETIC 
ALGORITHM UNTUK PREDIKSI HARGA
CRYPTOCURRENCY BINANCE COIN
ispublished: pub
subjects: 000.000.000A
divisions: if
full_text_status: restricted
keywords: Prediksi Harga, Cryptocurrency, Binance Coin, CNN-LSTM, Genetic
Algorithm, Price Prediction.
abstract: Pasar cryptocurrency, khususnya Binance Coin (BNB), memiliki
karakteristik volatilitas yang sangat tinggi. Kenaikan harga BNB didorong oleh
beberapa faktor fundamental, termasuk adopsi yang luas dalam ekosistem BNB
Chain yang berkembang pesat, peningkatan minat dari investor institusional, dan
mekanisme token burn yang secara berkala mengurangi pasokan. Karena dinamika
harga yang kompleks ini, metode peramalan tradisional seringkali tidak memadai.
Tingginya risiko dan potensi keuntungan menuntut adanya model prediksi yang
lebih canggih sebagai alat bantu pengambilan keputusan bagi investor. Penelitian
ini bertujuan untuk mengembangkan model hybrid deep learning dengan arsitektur
Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) yang
dioptimalkan menggunakan Genetic Algorithm untuk memprediksi harga
cryptocurrency Binance Coin.
Penelitian ini mencakup beberapa tahapan, mulai dari pengumpulan data
harga historis Binance Coin (BNB), pra-pemrosesan data dengan normalisasi,
hingga perancangan model. Dalam arsitektur yang diusulkan, lapisan CNN
berfungsi untuk mengekstraksi fitur-fitur penting dari data deret waktu, sementara
lapisan LSTM digunakan untuk menangkap dependensi temporal jangka panjang.
Untuk meningkatkan akurasi, Genetic Algorithm diterapkan untuk
mengoptimalkan hiperparameter dari model CNN-LSTM, sehingga menemukan
konfigurasi arsitektur yang paling efektif. Kinerja model dievaluasi menggunakan
metrik Mean Absolute Percentage Error (MAPE), Root Mean Squared Error
(RMSE), Mean Absolute Error (MAE), dan Mean Squared Error (MSE).
Hasil penelitian menunjukkan bahwa model CNN-LSTM yang
dioptimalkan dengan Genetic Algorithm mampu memberikan prediksi dengan
tingkat akurasi yang menjanjikan dan menunjukkan keunggulan performa
dibandingkan dengan model baseline. Sinergi antara CNN-LSTM yang
disempurnakan melalui optimasi evolusioner terbukti sangat efektif dalam
memodelkan data finansial yang bersifat non-linear dan fluktuatif. Penelitian ini
menyimpulkan bahwa model yang diusulkan dapat menjadi alat yang berharga bagi
investor dalam merumuskan strategi dan manajemen risiko di pasar cryptocurrency.
date: 2026-05-11
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Zacky, Haydar Wildan  (2026) IMPLEMENTASI DEEP LEARNING MENGGUNAKAN ARSITEKTUR CNN-LSTM DENGAN GENETIC ALGORITHM UNTUK PREDIKSI HARGA CRYPTOCURRENCY BINANCE COIN.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/33178/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33178/8/Sourcecode%20-%2022.11.4689.zip
document_url: https://eprints.amikom.ac.id/id/eprint/33178/9/Publikasi.pdf