<![CDATA[Bitcoin adalah aset kripto terdesentralisasi yang dikarakteristikkan oleh volatilitas harga ekstrem dan fluktuasi non-linear, sehingga pergerakan harga di masa depan sangat sulit untuk diprediksi secara akurat. Ketidakstabilan inheren ini mendorong kebutuhan mendesak akan metode peramalan komputasi tangguh yang mampu menangkap dependensi temporal jangka panjang yang kompleks dalam data deret waktu univariat. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi efektivitas arsitektur Transformer berbasis Deep Learning untuk peramalan harga penutupan Bitcoin. Memanfaatkan dataset historis komprehensif dari tahun 2015 hingga bulan April 2026, penelitian ini mendayagunakan mekanisme self-attention sebagai inti arsitektur Transformer guna memproses data sekuensial secara dinamis. Pendekatan mutakhir ini berhasil mengatasi keterbatasan utama dari model analitik tradisional dalam menangkap pola temporal penting. Kerangka metodologi yang diterapkan mencakup operasi pra-pemrosesan data secara ketat melalui fungsi MinMaxScaler, proses pelatihan model yang dioptimalkan oleh algoritma Adam, serta pengujian out-of-sample komprehensif guna memproyeksikan perilaku pasar masa depan. Performa prediktif model dievaluasi secara kuantitatif menggunakan metrik kesalahan standar. Hasil empiris penelitian menunjukkan tingkat akurasi prediksi yang sangat luar biasa, di mana model yang dikembangkan sukses mencapai nilai Root Mean Square Error (RMSE) sebesar $3.818,34, nilai Mean Absolute Error (MAE) sebesar $2.866,73, dan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,12%. Lebih lanjut, proyeksi masa depan out-of-sample menghasilkan angka prediksi sebesar $78.247,73 dibandingkan dengan harga penutupan aktual senilai $78.294,00, yang merepresentasikan persentase tingkat rasio kesalahan absolut minim yakni hanya 0,059%. Temuan analitis ini mengonfirmasi bahwa model Transformer berhasil memitigasi overfitting dan unggul memodelkan volatilitas pasar ekstrem. Kesimpulannya, model ini siap mendukung keputusan investasi para praktisi keuangan global.]]>
