PREDIKSI HARGA ETHEREUM MENGGUNAKAN METODE LONG SHORT-TERM MEMORY

Saroso, Yuswo (2025) PREDIKSI HARGA ETHEREUM MENGGUNAKAN METODE LONG SHORT-TERM MEMORY. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (351kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (478kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (179kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (626kB)
	Text (BAB V) BAB V.pdf Download (80kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (128kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4214.zip Restricted to Repository staff only Download (822kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (749kB)

Abstract

Prediksi harga aset kripto seperti Ethereum (ETH) menjadi penting seiring meningkatnya volatilitas dan nilai pasar yang signifikan. Penelitian ini bertujuan untuk membangun model prediktif harga Ethereum menggunakan metode Long Short-Term Memory (LSTM), salah satu arsitektur jaringan saraf tiruan yang unggul dalam menangani data deret waktu non-linear. Dataset yang digunakan mencakup data historis harga harian Ethereum, termasuk fitur-fitur seperti harga pembukaan, penutupan, tertinggi, terendah, dan volume perdagangan. Data dibersihkan, dinormalisasi, dan dibagi menjadi data latih dan uji sebelum dimasukkan ke dalam arsitektur LSTM yang dioptimalkan. Hasil pengujian menunjukkan bahwa model LSTM mampu memprediksi harga Ethereum dengan tingkat akurasi yang baik. Skenario pengujian terbaik, yang menggunakan 200 epoch dan batch size 32, menghasilkan nilai koefisien determinasi (R²) sebesar 0.9740, Mean Absolute Error (MAE) sebesar 78.62, dan Mean Absolute Percentage Error (MAPE) sebesar 0.0301. Kumpulan nilai ini mengindikasikan bahwa model berhasil menangkap pola kompleks serta hubungan jangka panjang dalam data harga kripto dengan tingkat kesalahan yang rendah. Temuan ini menegaskan efektivitas LSTM dalam analisis data deret waktu yang fluktuatif. Selain itu, model ini memiliki potensi untuk diterapkan dalam pengambilan keputusan investasi dan pengembangan sistem perdagangan otomatis. Studi ini juga merekomendasikan penelitian lanjutan dengan mempertimbangkan variabel makroekonomi, sentimen pasar, serta eksplorasi model hibrida guna meningkatkan performa prediksi di masa mendatang.

Item Type:

Thesis (S1 - Sarjana)

Contributor:

Pembimbing
Rahardi, Majid

Uncontrolled Keywords:

Ethereum, Prediksi Harga, LSTM, Deep Learning, Data Deret Waktu, Kriptokurensi

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:

01 Dec 2025 01:43

Last Modified:

01 Dec 2025 01:43

URI:

http://eprints.amikom.ac.id/id/eprint/31394

Actions (login required)

View Item