Perancangan, Analisis Komparatif, dan Implementasi Model Prediksi Harga Bitcoin dan Ethereum Menggunakan Lstm, Gru, dan Xgboost dengan Integrasi Indikator Makro-Finansial

Wijaya, Willsen (2026) Perancangan, Analisis Komparatif, dan Implementasi Model Prediksi Harga Bitcoin dan Ethereum Menggunakan Lstm, Gru, dan Xgboost dengan Integrasi Indikator Makro-Finansial. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (773kB)
	PDF BAB_I.pdf Download (462kB)
	PDF BAB_II.pdf Download (532kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (315kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (227kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (254kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000070011_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Pasar cryptocurrency, khususnya Bitcoin dan Ethereum, memiliki volatilitas tinggi sehingga membutuhkan model prediksi yang mampu menangkap pola harga yang kompleks dan dinamis. Penelitian ini bertujuan merancang, membandingkan, dan mengimplementasikan model prediksi harga Bitcoin dan Ethereum satu hari ke depan dengan menggunakan data historis aset kripto serta indikator makro-finansial berupa Gold, US Dollar Index (DXY), dan S&P 500. Metode penelitian mengikuti tahapan CRISP-DM, mulai dari business understanding, data understanding, data preparation, modeling, evaluation, hingga deployment. Model yang digunakan adalah Long Short- Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Extreme Gradient Boosting (XGBoost), dengan dua skenario fitur, yaitu data historis saja dan data historis dengan indikator makro-finansial. Hasil evaluasi menggunakan MAE, RMSE, dan MAPE menunjukkan bahwa XGBoost dengan data historis dan makro-finansial memberikan performa terbaik untuk Bitcoin dengan MAE 1804,67, RMSE 2427,95, dan MAPE 2,18%, sedangkan GRU dengan data historis saja memberikan performa terbaik untuk Ethereum dengan MAE 84,26, RMSE 112,05, dan MAPE 3,19%. Temuan ini menunjukkan bahwa tidak terdapat satu algoritma dan satu skenario fitur yang unggul secara universal untuk kedua aset, sehingga pemilihan model terbaik bersifat asset specific. Model terbaik tersebut kemudian diimplementasikan ke dalam aplikasi prediksi berbasis Streamlit.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Wijaya, Willsen (00000070011)
Contributors:	Setiawan, Johan
Keywords:	Bitcoin, Ethereum, GRU, Makro-finansial, XGBoost
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:	30 Jun 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/46842

Actions (login required)

View Item