Prediksi Nilai Cryptocurrency Dengan Metode Bi-LSTM dan LSTM
Abstrak
Semakin pesatnya perkembangan teknologi saat ini, dapat memudahkan seluruh kegiatan manusia, sehingga mengakibatkan seluruh aspek tidak bisa lepas dari teknologi tanpa terkecuali bidang keuangan. Dengan berkembangnya teknologi diiringi juga dengan dikenalnya berbagai instrument investasi. Setiap melaksanakan investasi tentu akan selalu ada berbagai resiko yang menyertainya termasuk investasi cryptocurrency salah satunya bitcoin. Tidak seperti mata uang konvensional, bitcoin bersifat tidak desentralisasi sehingga perkembangan harganya tidak dalam pengawasan atau kontrol pihak manapun, dimana jika uang konvensional ada lembaga tertentu yang mengawasi dan mengontrol pergerakannya. Hal tersebut mengakibatkan harga nilai tukar dari bitcoin menjadi tidak konsisten atau tidak stabil. Dengan terdapatnya metode prediksi, pengguna bitcoin bisa menetapkan waktu yang pas untuk menjalankan transaksi. Penelitian ini memiliki tujuan guna memprediksi harga bitcoin dengan menggunakan metode LSTM serta Bi-LSTM. Berdasarkan hasil penelitian diperoleh hasil prediksi terbaik menggunakan metode Bi-LSTM dengan RMSE 1482.73 sedangkan dengan LSTM menghasilkan RMSE sebesar 1768.69 sehingga dapat disimpulkan dari sisi akurasi Bi-LSTM memberikan hasil yang lebih akurat hanya saja dengan Bi-LSTM membutuhkan resourse yang lebih banyak.
##plugins.generic.usageStats.downloads##
Referensi
[2] Putri, R.N.M.H., Primasari, N.S. and Khusnah, H. ‘Return Analisis Teknikal Moving Average, Bollinger Band, dan Relative Strength Index pada Cryptocurrency’, Jurnal Ilmiah Akuntansi dan Keuangan, 11(1), pp. 21–30, 2022.
[3] Fatah, H. and Subekti, A. ‘Prediksi Harga Cryptocurrency Dengan Metode K-Nearest Neighbours’, Jurnal Pilar Nusa Mandiri, 14(2), p. 137. doi:10.33480/pilar.v14i2.894, 2018.
[4] Yukhlifa, R.F. PERBANDINGAN PREDIKSI HARGA CRYPTOCURRENCY DENGAN MODEL ARIMA DAN LSTM. Universitas Internasional Semen Indonesia,2021.
[5] Setiawan, R., Parlika, R. and Mumpuni, R. ‘Rancang Bangun Bot Auto Trade Cryptocurrency Berbasis Web’, Jurnal Informatika dan Sistem Informasi (JIFoSI), 1(2), pp. 294–301. Available at: http://jifosi.upnjatim.ac.id/index.php/jifosi/article/view/102, 2020
[6] Arifan Juanda, R., Jondri and Atiqi Rohmawati, A. ‘Prediksi Harga Bitcoin Dengan Menggunakan Recurrent Neural Network’, eProceedings of Engineering, 5(2), pp. 3682–3690, 2018.
[7] Wiranda, L. and Sadikin, M. ‘Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma’, Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 8(3), pp. 184–196, 2019.
[8] Selvin, S. et al. ‘Stock price prediction using LSTM, RNN and CNN-sliding window model’, 2017 International Conference on Advances in Computing, Communications and Informatics, ICACCI 2017, 2017-Janua, pp. 1643–1647. doi:10.1109/ICACCI.2017.8126078, 2017.
[9] Afrianto, N., Fudholi, D.H. and Rani, S. ‘Prediksi Harga Saham Menggunakan BiLSTM dengan Faktor Sentimen Publik’, Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(1), pp. 41–46. doi:10.29207/resti.v6i1.3676, 2022.
[10] Harwick, Cameron. ‘Cryptocurrency and the Problem of Intermediation’. The Independent Review, v. 20, n. 4, Spring 2016, ISSN 1086–1653, Copyright © 2016, pp. 569–588.
[11] Houben & Snyers. ‘Cryptocurrencies and blockchain’. Policy Department for Economic, Scientific and Quality of Life Policies. Authors: Prof. Dr. Robby HOUBEN, Alexander SNYERS. Directorate-General for Internal Policies PE 619.024 - July 2018
[12] Hassani, H. and Huang, X. and Silva, E.S. ‘BigCrypto: Big Data, Blockchain and Cryptocurrency’. Big Data and Cognitive Computing, 2 (34). ISSN 2504-2289, 2018.
[13] Rahardian, R.L. and Sudarma, M. ‘Application of Neural Network Overview In Data Mining’, International Journal of Engineering and Emerging Technology, 2(1), p. 94. doi:10.24843/ijeet.2017.v02.i01.p19, 2017.
[14] Made Doddy, Made Sudarma, Nyoman Pramaita, I Made Oka Widyantara; “Filtering Outlier Data Using Box Whisker Plot Method For Fuzzy Time Series Rainfall Forecasting.” IEEE Access, no. 978-1-5386-6163-5/18/$31.00: 2–5. 4th International Conference on Wireless and Telematics (ICWT). doi:10.1109/icwt.2018.8527734, 2018.
[15] Chen, S. and Zhou, C. ‘Stock Prediction Based on Genetic Algorithm Feature Selection and Long Short-Term Memory Neural Network’, IEEE Access, 9, pp. 9066–9072. doi:10.1109/ACCESS.2020.3047109, 2021.
[16] Thai-Ha Le, Anh Tu Chuc, Farhad Taghizadeh-Hesary, Financial inclusion and its impact on financial efficiency and sustainability: Empirical evidence from Asia, Borsa Istanbul Review, Volume 19, Issue 4, Pages 310-322, ISSN 2214-8450, 2019. https://doi.org/10.1016/j.bir.2019.07.002
[17] Ertugrul, A. M., & Karagoz, P. Movie Genre Classification from Plot Summaries Using Bidirectional LSTM. Proceedings - 12th IEEE International Conference on Semantic Computing, ICSC 2018, 2018-Janua, 248–251. https://doi.org/10.1109/ICSC.2018.00043
[18] Ratniasih, Ni Luh, Made Sudarma, and Nyoman Gunantara. “Penerapan Text Mining Dalam Spam Filtering Untuk Aplikasi Chat.” Majalah Ilmiah Teknologi Elektro 16 (3): 13, 2017. https://doi.org/10.24843/mite.2017.v16i03p03.
[19] Hodson, T. O.: Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not, Geosci. Model Dev., 15, 5481–5487, https://doi.org/10.5194/gmd-15-5481-2022 , 2022.
[20] Chicco D, Warrens MJ, Jurman G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput Sci. 2021 Jul 5;7:e623. doi:10.7717/peerj-cs.623. PMID: 34307865; PMCID: PMC8279135.
[21] Ozili, Peterson K. The acceptable R-square in empirical modelling for social science research. Munich Personal RePEc Archive. Online at https://mpra.ub.uni-muenchen.de/115769/MPRA Paper No. 115769, posted 26 Dec 2022 14:32 UTC
This work is licensed under a Creative Commons Attribution 4.0 International License
