Rafli Ashari Junaidi, Junaidi (2025) PREDIKSI HARGA CRYPTOCURRENCY MENGGUNAKAN METODE LSTM. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.
|
File PDF
Abstrak_Rafli Ashari Junaidi.pdf Download (181Kb) | Preview |
|
![[img]](http://digilib.unila.ac.id/style/images/fileicons/text.png) |
File PDF
Draft_Full Rafli Ashari Junaidi.pdf Restricted to Hanya staf Download (4Mb) | Minta salinan |
|
|
File PDF
Draft Skripsi Tanpa Pembahasan_Rafli Ashari Junaidi.pdf Download (3002Kb) | Preview |
Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)
Kripto adalah aset digital dengan harga yang sangat fluktuatif sehingga prediksi harga menjadi tantangan besar bagi investor maupun peneliti. Studi ini menggunakan metode deep learning Long Short-Term Memory (LSTM) untuk memprediksi harga Bitcoin (BTC), Ethereum (ETH), dan Binance Coin (BNB) berdasarkan data historis harian April 2023 – Mei 2025 dari Investing.com. Prapemrosesan mencakup transformasi logaritmik dan normalisasi Min-Max. Model dilatih dengan 5-fold Time Series Cross-Validation dan pembagian data manual (70:30, 80:20, 90:10), serta dioptimalkan dengan Keras Tuner. Evaluasi menggunakan MAE, RMSE, dan R² menunjukkan hasil terbaik pada BNB dan ETH dengan skema 90:10 (R² = 0,97), sedangkan BTC optimal dengan 80:20 (R² = 0,99). Temuan ini membuktikan bahwa LSTM efektif menangkap pola historis dan menghasilkan prediksi 30 hari yang akurat, sehingga berpotensi mendukung strategi investasi kripto. Cryptocurrencies are digital assets with highly volatile prices, making price prediction a significant challenge for both investors and researchers. This study uses the Long Short-Term Memory (LSTM) deep learning method to predict the prices of Bitcoin (BTC), Ethereum (ETH), and Binance Coin (BNB) based on daily historical data from April 2023 to May 2025 from Investing.com. Preprocessing includes logarithmic transformation and Min-Max normalization. The model was trained with 5-fold Time Series Cross-Validation and manual data splitting (70:30, 80:20, 90:10), and optimized with Keras Tuner. Evaluation using MAE, RMSE, and R² showed the best results for BNB and ETH with the 90:10 scheme (R² = 0.97), while BTC was optimal with 80:20 (R² = 0.99). These findings demonstrate that LSTM effectively captures historical patterns and produces accurate 30-day predictions, potentially supporting crypto investment strategies.
| Jenis Karya Akhir: | Skripsi |
|---|---|
| Subyek: | 000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data 500 ilmu pengetahuan alam dan matematika > 510 Matematika |
| Program Studi: | FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer |
| Pengguna Deposit: | 2507383405 Digilib |
| Date Deposited: | 22 Oct 2025 08:14 |
| Terakhir diubah: | 22 Oct 2025 08:14 |
| URI: | http://digilib.unila.ac.id/id/eprint/91704 |
Actions (login required)
 |
Lihat Karya Akhir |
