<![CDATA[Pergerakan harga Bitcoin yang bersifat volatil serta dipengaruhi oleh berbagai faktor internal dan eksternal menjadikan proses prediksi harga sebagai tantangan yang kompleks. Penelitian ini bertujuan untuk memprediksi harga Bitcoin secara multivariat menggunakan variabel Open, High, Low, dan Close (OHLC) dengan menerapkan model hybrid Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), serta mengintegrasikan data sentimen berita cryptocurrency sebagai variabel eksternal. Metode yang digunakan adalah pemanfaatan data historis harga Bitcoin dan berita cryptocurrency yang telah melalui tahap prapemrosesan, analisis sentimen, normalisasi data, serta pembentukan deret waktu menggunakan teknik sliding window. Dataset kemudian dibagi menjadi data latih dan data uji berdasarkan urutan waktu untuk menjaga karakteristik time series. Evaluasi kinerja model dilakukan menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), serta koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model hybrid LSTM–GRU mampu menghasilkan prediksi harga Bitcoin yang akurat dan stabil pada seluruh variabel OHLC, dengan nilai MAPE di bawah 3% dan nilai R² di atas 0,98. Dapat disimpulkan bahwa pendekatan prediksi multivariat dengan integrasi sentimen berita efektif dalam meningkatkan kemampuan model untuk menangkap pola pergerakan harga Bitcoin secara lebih komprehensif.]]>
Copyrights © 2025
