IMPLEMENTASI MODEL BI-LSTM UNTUK PREDIKSI HARGA CRYPTOCURRENCY BINANCE COIN (BNB) BERKELANJUTAN

Haq, Zidan Dhiya'ul (2026) IMPLEMENTASI MODEL BI-LSTM UNTUK PREDIKSI HARGA CRYPTOCURRENCY BINANCE COIN (BNB) BERKELANJUTAN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (189kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (588kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (339kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (844kB)
	Text (BAB V) BAB V.pdf - Published Version Download (83kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (108kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4678.zip - Published Version Restricted to Repository staff only Download (383kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (576kB)

Abstract

Prediksi harga cryptocurrency, khususnya Binance Coin (BNB), menjadi tantangan karena sifat data time series yang volatil dan dipengaruhi banyak faktor. Ketidakakuratan prediksi dapat berdampak pada pengambilan keputusan investasi yang kurang optimal bagi investor maupun pelaku pasar. Oleh karena itu, diperlukan model prediksi yang mampu menangkap pola historis secara lebih baik agar menghasilkan estimasi harga yang lebih akurat dan dapat diandalkan. Penelitian ini menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM) untuk memodelkan data historis harga BNB. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembentukan sequence menggunakan teknik sliding window, serta pelatihan model. Untuk meningkatkan performa, dilakukan optimasi hyperparameter menggunakan metode Random Search. Model yang dihasilkan kemudian dievaluasi menggunakan metrik MAE, MAPE, dan R² untuk mengukur tingkat akurasi dan kemampuan generalisasi model. Hasil penelitian menunjukkan bahwa model BiLSTM yang telah dioptimasi memiliki performa lebih baik dibandingkan model baseline, dengan penurunan MAE dari 50,22 menjadi 20,73, MAPE dari 5,38% menjadi 2,35%, serta peningkatan R² dari 0,8694 menjadi 0,9713. Model juga berhasil diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit untuk prediksi harga dalam horizon 3, 7, 14 dan 30 hari. Penelitian ini berkontribusi dalam menyediakan solusi prediksi yang akurat dan aplikatif, yang dapat dimanfaatkan oleh investor, analis, dan peneliti. Pengembangan selanjutnya dapat mencakup penambahan variabel eksternal untuk meningkatkan akurasi model.

Item Type:

Thesis (S1 - Sarjana)

Contributor:

Pembimbing
Dhuhita, Windha Mega Pradnya

Uncontrolled Keywords:

Bi-LSTM, Prediksi Harga, Binance Coin, Kriptokurensi, Deep Learning, Price Prediction, ryptocurrency.

Subjects:

000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum

Divisions:

Fakultas Ilmu Komputer > Informatika

Depositing User:

RC Universitas AMIKOM Yogyakarta

Date Deposited:

07 Oct 2026 02:36

Last Modified:

07 Oct 2026 02:36

URI:

http://eprints.amikom.ac.id/id/eprint/33181

Actions (login required)

View Item