Studi Perbandingan Model LSTM dan GRU yang Dioptimalkan untuk Prediksi Harga Bitcoin

Steven Valentino, Cornellius (2025) Studi Perbandingan Model LSTM dan GRU yang Dioptimalkan untuk Prediksi Harga Bitcoin. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (948kB)
	PDF BAB_I.pdf Download (279kB)
	PDF BAB_II.pdf Download (789kB)
	PDF BAB_III.pdf Download (314kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (255kB)
	PDF DAFTAR_PUSTAKA.pdf Download (251kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Penelitian ini bertujuan untuk memprediksi harga Bitcoin dengan memanfaatkan dua model deep learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Data yang digunakan adalah data historis harga Bitcoin, yang kemudian diolah dan dilatih menggunakan kedua model tersebut. Untuk mendapatkan performa yang lebih baik, proses pelatihan dilengkapi dengan optimasi hyperparameter menggunakan Bayesian Optimization. Dari hasil pengujian yang dilakukan, model LSTM menunjukkan performa yang lebih unggul dibandingkan GRU pada model yang dioptimasi menggunakan optimasi bayesian. Namun pada model yang tidak teroptimasi GRU mampu menghasilkan eror yang lebih rendah dibandingkan dengan model LSTM. Meskipun masih terdapat beberapa kelemahan dalam mendeteksi arah kenaikan harga, secara umum GRU mampu memberikan hasil prediksi yang lebih stabil dan mendekati nilai aktual. Penelitian ini menunjukkan bahwa penggunaan model yang tepat dan pengaturan parameter yang optimal sangat berpengaruh dalam meningkatkan akurasi prediksi harga Bitcoin.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Steven Valentino, Cornellius (00000055890)
Contributors:	Fernando, Erick
Keywords:	Bitcoin, LSTM, GRU, Bayesian Optimization, Prediksi Harga
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:	04 Feb 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/44562

Actions (login required)

View Item