Memprediksi harga cryptocurrency dengan metode Long Short Term Memory (LSTM)

INDONESIA:

Bitcoin adalah salah satu cryptocurrency yang saat ini diminati sebagai sarana investasi untuk keuntungan finansial. Namun, berinvestasi di bitcoin tetap membawa risiko yang signifikan. Untuk mengantisipasi risiko yang terkait dengan investasi bitcoin, diperlukan sistem prediksi untuk memprediksi pergerakan nilai tukar bitcoin. Bitcoin juga mempunyai karakteristik yang unik yaitu fluktuasi harga harian yang selalu berubah-ubah. Long Short Term Memory (LSTM) adalah salah satu variasi dari Recurrent Neural Network yang dibuat untuk menghindari masalah ketergantungan jangka panjang pada Recurrent Nueral Network (RNN). LSTM memiliki kelebihan jika dibandingkan dengan RNN biasa. Penelitian ini bertujuan Mengetahui hasil prediksi dan tingkat efisiensi harga bitcoin menggunakan Long Short Term Memory (LSTM). Dalam memprediksi, diperlukan beberapa parameter seperti hidden layer, neuron hidden, batch size, max epoch, optimizer, dan fungsi aktivasi. Pembentukan model LSTM dan penerapannya pada data time series,dengan 3 hidden layer, penentuan jumlah batch size yaitu 32, penentuan optimizer adalah adam, epoch senilai 50 menghasilkan perhitungan terhadap data harga bitcoin, Hal ini ditunjukkan dengan nilai RMSE prediksi pada tahun 2017 sampai tahun 2021 yang lebih kecil dari nilai standar deviasi uji dataset sebesar 1828.66 dan MAPE 2.65 %.

ENGLISH:

Bitcoin is one of the cryptocurrencies that is currently in demand as a means of investment for financial gain. However, investing in bitcoin still carries significant risks. To anticipate the risks associated with bitcoin investments, a prediction system is needed to predict the movement of the bitcoin exchange rate. Bitcoin also has a unique characteristic, namely daily price fluctuations that are always changing. Long Short Term Memory (LSTM) is a variation of the Recurrent Neural Network which was created to avoid the problem of long-term dependence on the Recurrent Nueral Network (RNN). LSTM has advantages when compared to ordinary RNN. This study aims to determine the prediction results and the efficiency level of bitcoin prices using Long Short Term Memory (LSTM). In predicting, several parameters are needed such as hidden layer, hidden neurons, batch size, max epoch, optimizer, and activation function. The formation of the LSTM model and its application to time series data, with 3 hidden layers, the determination of the number of batch sizes is 32, the determination of the optimizer is adam, the epoch of 50 results in a calculation of the bitcoin price data, this is indicated by the predicted RMSE value in 2017 to 2021 which is smaller than the standard value the deviation of the test dataset is 1828.66 and MAPE is 2.65%.

ARABIC:

بيتكوين (Bitcoin) هي إحدى العملات المشفرة المطلوبة حاليًا كوسيلة للاستثمار لتحقيق مكاسب مالية. ومع ذلك ، يحمل الاستثمار البيتكوين مخاطر كبيرة. لتوقع المخاطر المرتبطة باستثمارات البيتكوين ، هناك حاجة إلى نظام تنبؤ للتنبؤ بحركة سعر صرف البيتكوين. تتمتع البيتكوين أيضًا بخاصية فريدة ، وهي تقلبات الأسعار اليومية التي تتغير دائمًا. الذاكرة قصيرة المدى المستمرة لفترة أطول (Long Short Term Memory/LSTM) هى أحد أشكال الشبكة العصبية المتكررة التي تم إنشاؤها لتجنب مشكلة الاعتماد طويل المدى على الشبكة العصبية المتكررة (Recurrent Nueral Network/RNN). تتمتع LSTM بمزايا عند مقارنتها بـ RNN العادي. تهدف هذه البحث إلى تحديد نتائج التنبؤ ومستوى كفاءة أسعار البيتكوين باستخدام الذاكرة قصيرة المدى المستمرة لفترة أطول (LSTM). عند التنبؤ ، هناك حاجة إلى العديد من المعلمات مثل الطبقة المخفية والخلايا العصبية المخفية وحجم الدُفعة والحد الأقصى للعصر والمحسن ووظيفة التنشيط. تشكيل نموذج LSTM وتطبيقه على بيانات السلاسل الزمنية ، مع 3 طبقات مخفية ، تحديد عدد أحجام الدُفعات هو 32 ، تحديد المحسن هو آدم ، عصر 50 ينتج عنه حساب سعر البيتكوين بيانات. يشار إلى ذلك من خلال قيمة RMSE المتوقعة في 2017 إلى 2021 وهي أصغر من قيمة الانحراف المعياري لاختبار مجموعة البيانات 1828.66 و MAPE 2.65٪.