Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Leo Kanda Prayoga
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Ensemble Learning untuk Multi-Step Time Series Forecasting Harga Bitcoin dan Emas Menggunakan XGBoost, Gradient Boosting dan Random forest Leo Kanda Prayoga; Deasy Purwaningtias; Ali Mustopa
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1303

Abstract

Prediksi harga aset keuangan seperti Bitcoin dan emas merupakan salah satu tantangan dalam analisis data keuangan karena pergerakannya yang dinamis dan sulit diprediksi. Penelitian ini mengimplementasikan metode ensemble learning yang terdiri dari Random Forest, Gradient Boosting, dan XGBoost untuk memprediksi harga Bitcoin dan emas menggunakan pendekatan multi-step time series forecasting. Dataset diperoleh dari Yahoo Finance untuk periode 2021–2026 dan diproses menggunakan 59 fitur teknikal yang mencakup indikator momentum, volatilitas, tren, dan pola candlestick. Target regresi ditransformasikan ke dalam bentuk log-return untuk meningkatkan stabilitas model terhadap pergeseran skala harga (distribution shift), sementara arah pergerakan harga diprediksi menggunakan model klasifikasi biner. Hasil pengujian menunjukkan bahwa Random Forest menghasilkan performa regresi terbaik pada kedua aset. Pada data Bitcoin diperoleh MAE sebesar 1.541,79, RMSE sebesar 2.130,74, MAPE sebesar 1,6850%, dan R² sebesar 0,9858. Pada data emas diperoleh MAE sebesar 55,64, RMSE sebesar 83,58, MAPE sebesar 1,2957%, dan R² sebesar 0,9825. Untuk klasifikasi arah pergerakan harga, Gradient Boosting menghasilkan akurasi tertinggi pada Bitcoin sebesar 50,00%, sedangkan Random Forest menghasilkan akurasi terbaik pada emas sebesar 53,75% dengan Recall sebesar 71,01%. Selain itu, dilakukan simulasi prediksi harga 7 hari ke depan menggunakan pendekatan recursive forecasting.
Co-Authors Ali Mustopa, Ali Purwaningtias, Deasy