Analisis Komparatif Model Deep Learning dan Statistik untuk Prediksi Harga Bitcoin
Keywords:
Bitcoin, Deep Learning, ARIMA, Prediksi Harga, CoinGecko, Uji-T, Volatilitas Kriptokurensi, Investasi DigitalAbstract
Penelitian ini mengkaji secara mendalam performa berbagai model pembelajaran mesin, termasuk jaringan saraf rekuren (RNN) berbasis deep learning dan model statistik tradisional, dalam memprediksi harga Bitcoin menggunakan data historis yang diperoleh dari CoinGecko. Studi ini melibatkan sembilan model prediktif: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional LSTM (BiLSTM), Bidirectional GRU (BiGRU), Peephole RNN, Simple RNN, Transformer, Temporal Convolutional Network (TCN), dan AutoRegressive Integrated Moving Average (ARIMA). Data yang digunakan mencakup periode 365 hari terakhir hingga 22 Juni 2025, dengan tujuh variabel utama: harga, volume perdagangan, kapitalisasi pasar, harga tertinggi, harga terendah, perubahan harga persentase, dan volatilitas. Proses analisis melibatkan pra-pemrosesan data, pelatihan model, evaluasi menggunakan metrik seperti Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²), serta uji statistik menggunakan uji-T untuk membandingkan performa antar model. Hasil penelitian menunjukkan bahwa Peephole RNN unggul dengan MAE 1781.60, RMSE 2401.79, dan R² 0.9182, menunjukkan kemampuannya menjelaskan 91.82% variabilitas harga Bitcoin. Sebaliknya, Transformer, TCN, dan ARIMA menunjukkan performa yang sangat buruk dengan R² negatif, menandakan ketidaksesuaian dengan karakteristik data kriptokurensi. Uji-T mengonfirmasi perbedaan signifikan antar model, dengan p-value < 0.05 untuk sebagian besar perbandingan, kecuali GRU dan BiGRU yang menunjukkan kesamaan dengan LSTM. Pembahasan ini mengeksplorasi faktor-faktor yang memengaruhi performa model, seperti kompleksitas arsitektur dan non-linearitas data, serta mengusulkan arah penelitian mendatang untuk meningkatkan akurasi prediksi harga Bitcoin. Penelitian ini memberikan kontribusi penting bagi komunitas investasi digital dengan menyoroti pentingnya pemilihan model yang tepat berdasarkan karakteristik data.
References
[1] Ji, S., Kim, J., & Im, H. (2019). A comparative study of bitcoin price prediction using deep learning. Mathematics, 7(10). https://doi.org/10.3390/math7100898
[2] Kanaparthi, V. (2024). Robustness Evaluation of LSTM-based Deep Learning Models for Bitcoin Price Prediction in the Presence of Random Disturbances. https://doi.org/10.21203/rs.3.rs-3906529/v1
[3] Kaur, R., Uppal, M., Gupta, D., Juneja, S., Arafat, S. Y., Rashid, J., Kim, J., & Alroobaea, R. (2025). Development of a cryptocurrency price prediction model: leveraging GRU and LSTM for Bitcoin, Litecoin and Ethereum. PeerJ Computer Science, 11. https://doi.org/10.7717/peerj-cs.2675
[4] Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System. www.bitcoin.org
[5] Rakhmadi Pratama, A. (2022). Price Prediction Using ARIMA Model of Monthly Closing Price of Bitcoin. https://ejournal.unib.ac.id/index.php/jsds/index
[6] Salwa, N., Tatsara, N., Amalia, R., Zohra, A. F., Statistika, P. S., Kuala, S., & Aceh, B. (2018). Peramalan Harga Bitcoin Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average). In Journal of Data Analysis (Vol. 1, Issue 1).
[7] Suominen, A., Wang, X., & Mezei, J. (2024). Deep Learning for Cryptocurrency Price Prediction-LSTM Model Performance Comparison and Evaluation Deep Learning for Cryptocurrency Price Prediction-LSTM Model Performance Comparison and Evaluation Title: Deep Learning for Cryptocurrency Price Prediction-LSTM Model Performance Comparison and Evaluation.
[8] Tumpa, S. N., Dewage, K., & Maduranga, G. (2025). Advanced Hybrid RNN Architectures for Real-time Cryptocurrency Forecasting and Strategic Trading Optimization. https://github.com/shamima08/
[9] Ye, Z., Wu, Y., Chen, H., Pan, Y., & Jiang, Q. (2022). A Stacking Ensemble Deep Learning Model for Bitcoin Price Prediction Using Twitter Comments on Bitcoin. Mathematics, 10(8). https://doi.org/10.3390/math10081307
[10] Zhang, B., Song, C., Jiang, X., & Li, Y. (2023). Electricity price forecast based on the STL-TCN-NBEATS model. Heliyon, 9(1). https://doi.org/10.1016/j.heliyon.2023.e13029
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
