Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Aprianto, Kresna
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

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

Found 1 Documents
Search

 1 
Analisis Perbandingan Model PSO-LSTM dan LSTM Konvensional untuk Prediksi Harga Bitcoin di Market Cryptocurrency Aprianto, Kresna; Mahdiyah, Umi; Wulanningrum, Resty
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 9 No. 3 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/71q6xr58

Abstract

Cryptocurrency merupakan salah satu inovasi dalam sistem keuangan digital yang mengalami pertumbuhan pesat, dengan Bitcoin sebagai aset kripto yang paling banyak diminati. Di Indonesia, berdasarkan survei GlobalWebIndex tahun 2019, sekitar 10% pengguna internet telah memiliki aset kripto, menjadikan negara ini sebagai salah satu pasar terbesar di dunia. Namun, fluktuasi harga yang tinggi membuat prediksi harga Bitcoin menjadi aspek krusial dalam pengambilan keputusan investasi. Model Long Short-Term Memory (LSTM) sebagai salah satu metode deep learning unggul dalam memproses data deret waktu, namun performanya sangat dipengaruhi oleh konfigurasi hyperparameter. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi harga Bitcoin dengan mengoptimalkan hyperparameter LSTM menggunakan algoritma Particle Swarm Optimization (PSO). Evaluasi dilakukan menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa model PSO-LSTM memberikan performa yang lebih baik dibandingkan model LSTM konvensional. MSE menurun sebesar 4,90% dari 1.142.860,6 menjadi 1.086.861,4; MAE menurun sebesar 11,78% dari 603,1 menjadi 532 dan RMSE menurun sebesar 2,48% dari 1.069 menjadi 1.042,5. Temuan ini membuktikan bahwa integrasi PSO sebagai metode optimasi dapat meningkatkan akurasi model prediksi, serta memperkuat validitas pendekatan kombinasi algoritmik dalam pengembangan sistem prediksi harga Bitcoin berbasis deep learning.
Co-Authors Mahdiyah, Umi Resty Wulanningrum