<![CDATA[Cryptocurrency seperti Bitcoin, ETHereum, dan Solana memiliki volatilitas harga tinggi yang menyulitkan prediksi akurat. Penelitian ini bertujuan membandingkan akurasi tiga algoritma deep learning, yaitu Temporal Fusion Transformer (TFT), N-BEATS, dan DeepAR, dalam memprediksi harga harian ketiga aset tersebut. Data penelitian berupa harga penutupan, volume, dan kapitalisasi pasar yang diperoleh melalui CryptoDataDownload. Data diproses menggunakan normalisasi Min-Max Scaling, interpolasi linier untuk missing values, serta feature selection Pearson Correlation. Dataset kemudian dibagi ke dalam data pelatihan, validasi, dan pengujian dengan proporsi yang dapat disesuaikan, sehingga memungkinkan analisis pengaruh perbedaan pembagian data terhadap hasil model. Evaluasi dilakukan menggunakan MAE, RMSE, MAPE, dan R², serta uji statistik untuk menilai perbedaan signifikan antar model. Hasil penelitian menunjukkan bahwa N-BEATS memberikan performa terbaik dengan error paling rendah dan R² tertinggi, sementara TFT berada di urutan kedua dengan hasil yang cukup stabil. Sebaliknya, DeepAR secara konsisten memiliki performa terburuk dengan error tinggi dan R² negatif hampir di seluruh aset. Melalui eksperimen intensif, penelitian ini menunjukkan bahwa N-BEATS mengungguli TFT dan DeepAR dalam menjelaskan variansi data pada ketiga aset kripto: BTC, ETH, dan SOL. Pada semua dataset, N-BEATS mencapai nilai R² positif tertinggi di bawah Konfigurasi 2 (hidden size 32, 4 layers, dropout 0.3), dengan puncak 0.90 pada BTC, 0.93 pada ETH, dan 0.55 pada SOL. Nilai MAPE yang sesuai adalah 2.48% untuk BTC, 4.84% untuk ETH, dan 6.55% untuk SOL. Analisis juga mengungkap bahwa variasi ukuran hidden layer, epoch, dropout, jumlah layer, maupun pembagian data memengaruhi stabilitas serta performa prediksi, namun peningkatan kompleksitas tidak selalu menghasilkan performa yang lebih baik. Dengan demikian, N-BEATS dapat diidentifikasi sebagai model paling efektif untuk prediksi harga kripto, sekaligus memberikan kontribusi teoritis bagi pengembangan model peramalan deret waktu dan kontribusi praktis sebagai acuan bagi investor dalam pengambilan keputusan.]]>
