IMPLEMENTASI DEEP LEARNING MENGGUNAKAN ARSITEKTUR CNN-LSTM DENGAN GENETIC ALGORITHM UNTUK PREDIKSI HARGA CRYPTOCURRENCY BINANCE COIN

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.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (631kB)
	Text (BAB I) BAB I.pdf - Published Version Download (183kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (502kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (100kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (135kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4689.zip - Published Version Restricted to Repository staff only Download (13MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (386kB)

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.

Actions (login required)

View Item