Analisis Prediksi Harga Kripto Binance Menggunakan Metode LSTM dengan Data Historis Harian
Tahun 2024 · Penulis: Lovanda Luthfi Rahmandani
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Masyarakat sering mengalami kerugian dalam bidang investasi. Fenomena ini akan mempengaruhi dampak pertumbuhan maupun pergerakan ekonomi pada suatu negara. Menurut data Bank for International Settlements 73% hingga 81% orang melakukan investasi crypto mengalami kerugian. Banyak hal yang menjadi penyebab dari keadaan tersebut, salah satunya adalah sulit untuk melakukan prediksi harga apakah harga naik atau turun banyak orang yang tidak memahami hal tersebut sehingga menyebabkan pilihan investasi yang kurang tepat dan mengakibatkan kerugian. Tujuannya penelitian ini adalah untuk membangun model prediksi yang membantu trader dalam memprediksi harga crypto Binance sesuai. Indikator yang digunakan dalam memprediksi harga adalah dengan menggunakan data close berupa harga tutup. Metode penelitian menggunakan pendekatan machine learning dengan alur pengumpulan data, pra-proses data, desain LSTM, latih data, uji data, evaluasi data, dan hasil. Model dibuat menggunakan algoritma Long-Short Term Memory. Skenario percobaan menggunakan perbandingan splitting data dan juga perbandingan optimizer ADAM dan NADAM. Evaluasi model dilakukan menggunakan Root Mean Square Error. Hasil penelitian ini menunjukkan bahwa data yang dilakukan dengan perbandingan splitting data 80:20 dan 70:30 dan menggunakan optimizer ADAM dan NADAM tidak sama akuratnya. Dengan melakukan evaluasi menggunakan Root Mean Square Error, algoritma LSTM menghasilkan nilai terbaik yaitu dengan splitting data 70:30 menggunakan NADAM dengan nilai RMSE sebesar 11,53.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,827
Tahun 2026 · Penulis: Tahfani First Sipa
Prediksi Nilai Tukar Rupiah terhadap Dolar AS Menggunakan Model LSTM Multivariat dengan Exogenous Makroekonomi dan Finansial
Studi ini bertujuan guna melakukan prediksi nilai tukar Rupiah terhadap Dolar AS dengan memanfaatkan model Long Short-Term Memory (LSTM) multivariat yang mengintegrasikan variabel exogen dari aspek makroekonomi dan finansial. Data yang digunakan berupa data de
- Cosine 0,814
Tahun - · Penulis: Arini Dina Yushofa
Penerapan Metode Klasifikasi ADASYN-SVM pada Imbalanced Data (Studi Kasus : Personal Loan Default)
Studi ini bertujuan mengetahui performa metode klasifikasi ADASYNSVM dalam mengklasifikasikan data dengan distribusi kelas tidak seimbang (imbalanced data) pada kasus personal loan default (gagal bayar pinjaman tanpa agunan). Penelitian ini menggunakan data pe
- Cosine 0,812
Tahun 2026 · Penulis: Dila Ayu Saputri
Prediksi Harga Xau/USD Menggunakan Metode Bidirectional Long Shot-Term Memory (Bilstm)
Gerakan harga emas dalam bentuk pasangan mata uang XAU/USD memiliki volatilitas tinggi karena dipengaruhi oleh dinamika harga emas global dan fluktuasi dalam tingkat tukar dolar AS. Kondisi ini menyebabkan tingkat ketidakpastian yang tinggi dan menyulitkan par