<![CDATA[Peramalan harga Bitcoin merupakan tantangan signifikan akibat fluktuasi pasar yang tinggi, di mana model deret waktu konvensional seringkali gagal menangkap dependensi data jangka pendek dan panjang secara bersamaan. Untuk mengatasi masalah tersebut, penelitian ini bertujuan mengembangkan dan mengevaluasi model deep learning hibrida guna meningkatkan presisi peramalan harga Bitcoin. Model yang diusulkan mengintegrasikan arsitektur Long Short-Term Memory (LSTM), yang andal dalam memproses data sekuensial, dengan mekanisme atensi pada Transformer yang mampu mengidentifikasi hubungan data yang relevan. Metode penelitian mencakup penggunaan data harga historis Bitcoin yang telah melalui tahap pra-pemrosesan dan normalisasi. Arsitektur model terdiri dari dua lapisan LSTM (30 unit), diikuti oleh lapisan Transformer dengan Multi-Head Attention (satu head, dimensi kunci empat), dan diakhiri dengan lapisan Global Average Pooling. Pelatihan model dilakukan menggunakan konfigurasi optimal selama 10 epoch dengan ukuran batch 64. Hasil evaluasi menunjukkan kinerja prediksi yang sangat akurat, dibuktikan dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,000695 dan R-squared (R²) 0,99999. Temuan ini menegaskan bahwa pendekatan hibrida efektif dalam menangkap pola kompleks pada data harga Bitcoin, sehingga menawarkan alat yang lebih kuat untuk analisis keuangan di pasar cryptocurrency.]]>
Copyrights © 2025
