Wicaksono, Wisnu (2026) PERBANDINGAN ALGORITMA LSTM, Bi-LSTM, DAN GRU UNTUK PREDIKSI HARGA CRYPTO. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER - ABSTRAK)
COVER.pdf - Published Version Download (772kB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (278kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (560kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (278kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (688kB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (103kB) |
|
Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (173kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 22.11.4728.zip Restricted to Repository staff only Download (512kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (3MB) |
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 R² 0.9994. Model LSTM menempati posisi kedua dengan RMSE 518.03, MAE 343.63, MAPE 0.41%, dan R² 0.9994, sedangkan GRU memiliki error tertinggi dengan RMSE 618.01, MAE 441.79, MAPE 0.49%, dan R² 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.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Prediksi Harga, Kripto, LSTM, Bi-LSTM, GRU, Price Prediction, Cryptocurrency. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 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: | 20 Jul 2026 06:42 | ||
| Last Modified: | 20 Jul 2026 06:42 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/32252 |
Actions (login required)
 |
View Item |