Optimasi Prediksi Harga Cryptocurrency Berbasis Model Hibrida Machine Learning & Deep Learning

Putra Jofansa, Rizky (2024) Optimasi Prediksi Harga Cryptocurrency Berbasis Model Hibrida Machine Learning & Deep Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (486kB)
	PDF BAB_I.pdf Download (199kB)
	PDF BAB_II.pdf Download (224kB)
	PDF BAB_III.pdf Download (285kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (898kB)
	PDF BAB_V.pdf Download (93kB)
	PDF DAFTAR_PUSTAKA.pdf Download (189kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (214kB)

Abstract

Cryptocurrency telah menunjukkan fluktuasi harga yang dinamis dan imbal hasil tinggi, mendorong kebutuhan model prediksi yang optimal untuk membantu investor dalam pengambilan keputusan strategis. Penelitian ini mengembangkan model prediksi hybrid yang menggabungkan deep learning dan machine learning. Dua algoritma deep learning, Long Short-Term Memory (LSTM) dan Convolutional Neural Networks (CNN), dibandingkan untuk menentukan keefektifan dalam memprediksi harga cryptocurrency. Algoritma yang unggul kemudian diintegrasikan dengan Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM) dalam pengembangan model hybrid. Proses tuning dilakukan pada setiap tahap pengembangan model untuk memastikan optimalitas. Hasil penelitian menunjukkan bahwa LSTM lebih efektif dibandingkan CNN. Model LSTM kemudian dikombinasikan dengan XGBoost dan LightGBM, menghasilkan model hybrid LSTM + LightGBM dengan kinerja terbaik. Model ini mencapai rata-rata RMSE sebesar 368.07, MAE 268.72, dan MAPE 2.04%, yang dikategorikan sebagai "Sangat Optimal", menunjukkan kemampuan prediksi yang unggul.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Putra Jofansa, Rizky (00000047843)
Contributors:	Sunardi Oetama, Raymond
Keywords:	Cryptocurrency, Deep Learning, Machine Learning, Model Hibrida, Prediksi
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	12 Nov 2024 11:36
URI:	https://kc.umn.ac.id/id/eprint/34695

Actions (login required)

View Item