Raffasya, Haikal Azka (2025) PREDIKSI PERGERAKAN HARGA CRYPTOCURRENCY STUDI KASUS BITCOIN, SOLANA DAN SUI MENGGUNAKAN ALGORITMA LSTM. S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.

	Text (Fulltext) Haikal Azka Raffasya_3337210038_Fulltext.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (Cover, Lembar pernyataan keaslian karya, Lembar pengesahan, Abstrak, Kata Pengantar, Daftar isi, Bab 1 dan Daftar Pustaka) Haikal Azka Raffasya_3337210038_01.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB 2) Haikal Azka Raffasya_3337210038_02.pdf Restricted to Registered users only Download (750kB) | Request a copy
	Text (BAB 3) Haikal Azka Raffasya_3337210038_03.pdf Restricted to Registered users only Download (223kB) | Request a copy
	Text (BAB 4) Haikal Azka Raffasya_3337210038_04.pdf Restricted to Registered users only Download (741kB) | Request a copy
	Text (BAB 5) Haikal Azka Raffasya_3337210038_05.pdf Restricted to Registered users only Download (209kB) | Request a copy
	Text (Daftar Pustaka) Haikal Azka Raffasya_3337210038_Ref.pdf Restricted to Registered users only Download (217kB) | Request a copy
	Text (Lampiran) Haikal Azka Raffasya_3337210038_Lamp.pdf Restricted to Registered users only Download (261kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk membangun model prediksi harga cryptocurrency dalam jangka pendek dengan menggunakan algoritma Long Short-Term Memory (LSTM). Studi kasus difokuskan pada tiga aset kripto dengan karakteristik berbeda yaitu Bitcoin (BTC), Solana (SOL) dan Sui (SUI). Data yang digunakan merupakan data harga harian mulai dari tanggal 10 Mei 2023 hingga 10 Maret 2025, yang mencakup fitur harga Open, High, Low, Close, Volume serta tiga indikator teknikal: Moving Average (MA), Relative Strength Index (RSI) dan Moving Average Convergence Divergence (MACD). Model dibangun dalam dua pendekatan yaitu model dengan indikator teknikal dan model tanpa indikator teknikal, untuk mengetahui pengaruh fitur teknikal terhadap akurasi prediksi. Data diolah menggunakan metode normalisasi Min-Max, lalu dibentuk dalam sekuens sepanjang 30 hari. Model dievaluasi dengan metrik MAPE, RMSE dan MAE untuk mengukur akurasi prediksi harga tujuh hari ke depan. Hasil evaluasi menunjukkan bahwa model LSTM mampu memprediksi harga dengan cukup baik, terutama saat hanya menggunakan fitur harga historis. Pendekatan tanpa indikator teknikal memberikan performa terbaik dengan nilai MAPE: BTC (2.76%), SOL (2.56%) dan SUI (3.96%). Temuan ini menunjukkan bahwa dalam konteks prediksi jangka pendek, fitur harga historis sudah cukup merepresentasikan pola pasar.

Actions (login required)

View Item