PENDAHULUAN
Latar Belakang
Mengelola informasi ini memerlukan beberapa data, data yang tersedia bisa besar atau kecil. Namun jika jumlah datanya banyak, cara menganalisisnya tidak bisa lagi menggunakan metode konvensional. Oleh karena itu, diperlukan suatu metode yang dapat menganalisis, mensintesis, dan mengekstrak data menjadi informasi yang berguna.
Bitcoin adalah salah satu mata uang kripto yang saat ini diminati sebagai sarana investasi untuk keuntungan finansial. Nah, untuk mendapatkan perhitungan yang efisien kedepannya perlu dicari solusinya yaitu dengan prediksi atau perhitungan dari banyak data yang ada. Peramalan merupakan salah satu faktor terpenting dalam pengambilan keputusan, karena efektif atau tidaknya suatu keputusan seringkali bergantung pada beberapa faktor yang tidak dapat diamati ketika mengambil keputusan berdasarkan data, baik saat ini maupun masa lalu (data historis) (Setyaningsih, 2015). .
Ada banyak metode yang bisa digunakan untuk melakukan prediksi yaitu ARIMA, Genetic Algorithm, Artificial Neural Network, Bayesian Neural Network, dan lain sebagainya. LSTM dapat mempelajari data apa yang harus disimpan dan data apa yang harus dibuang karena setiap neuron LSTM memiliki banyak gerbang yang mengontrol memori setiap neuron.
Rumusan Masalah
Tujuan Penelitian
Pada penelitian ini, prediksi harga bitcoin menggunakan metode RNN (Recurrent Neural Network) dengan menggabungkan jaringan saraf berulang dan memori jangka pendek yang disebut Long Short Time Memory (LSTM) untuk memberikan hasil yang lebih akurat.
Manfaat Penelitian
Batasan Masalah
Definisi Istilah
KAJIAN TEORI
Teori Pendukung
- Criptocurrency
- Bitcoin
- Recurrent Neural Network
- Long Short Term Memory
Fungsi mata uang digital yang pertama tentu saja sebagai alat pembayaran atas pembelian barang atau jasa. Selama ini banyak toko atau situs dagang yang menerapkan atau menerima mata uang digital ini sebagai alat pembayaran atas barang atau jasa yang mereka jual, misalnya Overstock dan Newegg. Selain itu, mata uang digital ini juga dapat digunakan di berbagai restoran, hotel, aplikasi perjalanan, bahkan universitas kini menerima mata uang digital ini sebagai alat pembayarannya.
Namun tidak semua jenis mata uang digital diterima, sejauh ini hanya Bitcoin yang diterima untuk melakukan semua hal tersebut. Bentuk investasi uang digital ini kurang lebih sama dengan investasi pada umumnya, dimana ketika harganya sudah cukup murah, Anda bisa membelinya. Namun kini bentuk investasi uang digital tersebut tak lagi secepat kemunculannya beberapa tahun lalu.
Bedanya, tidak ada pihak pusat yang mengatur peredaran koin ini. Pasalnya, cara kerja mata uang digital ini adalah ketika terjadi transaksi menggunakan cryptocurrency, maka transaksi tersebut akan menghasilkan bukti kriptografi yang terverifikasi dan tercatat di blockchain. Bitcoin adalah mata uang digital yang berada dalam sistem jaringan pembayaran P2P (peer-to-peer) open source.
Menurut penulis, bitcoin merupakan uang digital yang dapat digunakan untuk bertransaksi baik sebagai tempat penyimpanan maupun alat pembayaran yang menggunakan jaringan online. Di gerbang memori, informasi tentang setiap data masukan akan diproses dan data mana yang akan dipilih untuk disimpan atau dibuang ke sel memori. Pada port input terdapat dua port yang akan diimplementasikan, pertama ditentukan nilai mana yang akan diupdate menggunakan fungsi aktivasi sigmoid.
Kemudian fungsi aktivasi tanh akan membuat vektor nilai baru yang akan disimpan di sel memori. Pada port keluaran terdapat dua port yang akan diimplementasikan, pertama ditentukan nilai mana pada sel memori yang akan dikeluarkan menggunakan fungsi aktivasi sigmoid. Terakhir, kedua gerbang tersebut dikalikan untuk menghasilkan nilai yang akan dipancarkan (Karpathy, Johnson, & Fei-Fei, 2015).
Kajian Integrasi Topik dengan Al-Quran/Hadits
Dimana nilai ini didapat dari kombinasi nilai yang terdapat pada gerbang memori dan gerbang input. Terakhir, kedua gerbang tersebut dikalikan untuk menghasilkan nilai yang akan dipancarkan (Karpathy, Johnson, & Fei-Fei, 2015). hilang, yaitu sekutu Anda yang tidak dapat memberi instruksi atau menerima instruksi kecuali diinstruksikan. Memori terdiri dari informasi faktual dan sintetik, pengalaman peristiwa dan keterampilan, namun terkadang kita bisa lupa karena di dalam otak manusia terdapat memori jangka panjang dan memori jangka pendek.
Ini telah dimodifikasi menjadi model LSTM yang memiliki keunggulan dalam penarikan data jangka panjang karena memiliki sel memori dibandingkan varian RNN lainnya.
Kajian Topik dengan Teori Pendukung
Data dalam penelitian ini terbagi menjadi dua jenis yaitu data latih atau data pembelajaran dan data uji atau data uji. 𝑊𝑖 = nilai bobot masukan gerbang 𝑋𝑡 = nilai masukan orde t 𝑏𝑖 = nilai bias masukan gerbang. 𝑊𝑐 = nilai bobot sel memori ℎ𝑡−1 = nilai keluaran sebelum orde-t 𝑋𝑡 = nilai masukan pada orde-t 𝑏𝑖 = nilai bias sel memori.
Format data yang digunakan dalam penelitian ini adalah time series yang merupakan data sekunder dimana penulis mengakses data harga bitcoin secara online melalui Yahoo Finance. Data yang dicakup dalam penelitian ini adalah data harga bitcoin mingguan periode awal Januari 2017 hingga akhir Desember 2021 sebanyak 209 data sebagaimana terlampir. Pada tahap pertama ini, siapkan data harga bitcoin yang terdiri dari 6 fitur yaitu date, open, high, low, close dan volume.
Penelitian ini menggunakan data harga bitcoin yang diperoleh dari website: https://finance.yahoo.com/quote/BTC-USD?p=BTC-USD&.tsrc=fin-srch. Data yang dicakup adalah 209 data harga bitcoin mingguan dari awal Januari 2017 hingga akhir Desember 2021, sebagaimana terlampir. Gambar 4.1 menunjukkan bahwa dari awal tahun 2017 hingga akhir tahun 2018 terjadi peningkatan hingga 20.000 USD, kemudian harga Bitcoin berfluktuasi hingga akhir tahun 2020.
Tercatat, harga bitcoin mengalami penurunan drastis pada awal pertengahan tahun 2021, dimana harga bitcoin yang awalnya berkisar 65.000 USD turun menjadi 30.000 USD. Data dalam penelitian ini terbagi menjadi dua jenis yaitu data latih atau data pembelajaran dan data uji atau data uji. Gambar 4.2 menunjukkan grafik perbandingan harga aktual dan prediksi LSTM harga Bitcoin dengan nilai RMSE pada pengujian menggunakan angka Epog 50.
Pada Gambar 4.3 terlihat jelas bahwa grafik tersebut membandingkan harga aktual dan prediksi LSTM harga Bitcoin dengan nilai RMSE yang diuji, menggunakan jumlah epoch sebanyak 50. Perubahannya sangat mencolok jika dibandingkan dengan data sebelumnya. hasil, perbedaan terbesar antara harga sebenarnya dan hasil prediksi adalah ± 10.000 USD. Tabel 4.4 mencantumkan 30 data hasil prediksi dalam bentuk normalisasi, kemudian dilakukan proses denormalisasi untuk mengembalikan nilai data ke nilai prediksi.
METODE PENELITIAN
Jenis Penelitian
Data dan Sumber Data
Teknik Analisis Data
Berdasarkan tujuan yang telah dijelaskan sebelumnya yaitu untuk mengetahui tingkat prediksi dan efisiensi nilai mata uang bitcoin. Sebaran data model prediksi dalam konstruksi dibagi dengan perbandingan 80:20, dimana 80% dari total data akan digunakan sebagai data latih dan 20% sisanya akan digunakan sebagai data uji. Secara berurutan fungsi gerbang yang akan dihitung adalah gerbang lupa, fungsi gerbang masukan, dan terakhir fungsi gerbang keluaran dengan menggunakan persamaan yang telah diketahui sebelumnya.
Model yang diperoleh pada proses pelatihan diuji dengan menggunakan data uji yang diperoleh dari data preprocessing, dengan metode akurasi yang digunakan menggunakan RMSE. Root Mean Square Error (RMSE) adalah jumlah kesalahan kuadrat atau selisih antara nilai sebenarnya dengan nilai prediksi yang telah ditentukan. Untuk menggambarkan perbandingan hasil prediksi dan nilai sebenarnya ditunjukkan pada Gambar 4.2 dan Gambar 4.3 yang ditampilkan dalam tiga warna grafik yaitu y_pred, y_train dan y_test.
Hal ini menunjukkan bahwa hasil data tahun 2015 hingga tahun 2021 mempunyai residu yang tinggi dan hasil yang kurang akurat. Nilai error kuadrat atau selisih antara nilai sebenarnya dengan nilai prediksi yang telah ditentukan. Dengan demikian dapat disimpulkan bahwa hasil akurasi pada tahun 2017 hingga tahun 2021 lebih baik dibandingkan dengan tahun 2015 hingga tahun 2021.
Hasil peramalan minggu depan dapat dilihat pada tabel 4.5 mengalami penurunan dimana sebelumnya 0.779584 menjadi 0.492027. Merancang model LSTM dan menerapkannya pada data deret waktu, dengan 3 lapisan tersembunyi, menentukan jumlah ukuran batch menjadi 32, menentukan pengoptimalnya adalah adam, epoch bernilai 50 menghasilkan perhitungan pada data harga bitcoin. Hal ini menunjukkan nilai prediksi RMSE tahun 2017 hingga 2021 lebih kecil dari nilai standar deviasi kumpulan data uji sebesar 1828,66 dan MAPE sebesar 2,65. RMSE = sqrt(mean_squared_error(y_test_unscaled, y_pred)) print(f'Root Mean Squared Error (RMSE): {np.round(RMSE, 2)}').
HASIL DAN PEMBAHASAN
Pengumpulan Data
Oleh karena itu, pasar berpotensi melakukan lindung nilai terhadap keuntungan, dan risiko di pasar cenderung bergerak dengan volatilitas yang tinggi.
Preprocessing Data
Alokasi Data
Membuat konstruksi model LSTM menggunakan data latih
Proses Training
Proses Testing
Selanjutnya penulis mencoba mereduksi data yang semula dimulai dari tahun 2015, mereduksinya dan memulai dari tahun 2017 hingga mencapai hasil yang lebih baik dari sebelumnya.
Akurasi
Seperti disebutkan di atas, semakin kecil RMSE, semakin baik performa model. Mendekati angka 0 sendiri bukan berarti harus mendekati angka 0, namun juga diukur dari kepadatan antara nilai nyata, valid, dan prediksi pada hasil model. setelah itu dapat digunakan untuk menampilkan hasil akhir. Beberapa hal yang dapat dilakukan untuk penelitian selanjutnya adalah penyesuaian jumlah lapisan tersembunyi, epoch, ukuran batch, partisi dataset atau penambahan dropout pada lapisan tersembunyi untuk meningkatkan nilai akurasi model prediksi. Perkiraan volatilitas frekuensi tinggi untuk regresi vektor dan regresi linier. Prediksi volatilitas frekuensi tinggi untuk mata uang kripto dan mata uang konvensional dengan dukungan regresi vektor.
Arik Adi Pramono lahir di Kabupaten Malang pada tanggal 18 April 1996, anak ketiga dari tiga bersaudara, dari pasangan Bapak Bambang dan Ibu Sunariyah. Pendidikan dasar diselesaikannya di SD Negeri Bokor, Kecamatan Tumpang, Kabupaten Malang, Jawa Timur, yang lulus pada tahun 2009. Kemudian melanjutkan pendidikan menengah di SMP Negeri 1 Tumpang, Kecamatan Tumpang, Kabupaten Malang dan lulus pada tahun 2012.
Ia kemudian melanjutkan pendidikan SMK di SMK Negeri 6 Malang Kabupaten Malang, kemudian lulus pada tahun 2015. Pendidikan lanjutannya ditempuh di Universitas Islam Negeri Maulana Malik Ibrahim Malang melalui jalur SBMPTN dengan mengambil Program Studi Matematika Fakultas Ilmu Pengetahuan Alam. Ilmu pengetahuan dan teknologi.
PENUTUP
Kesimpulan
