Implementasi Model Recurrent Neural Network dan Long Short-Term Memory untuk Peramalan Harga Cryptocurrency (Studi Kasus : Koin Solana)

Abstract

Penelitian ini membahas prediksi harga penutupan harian Solana menggunakan Recurrent Neural Network dan Long Short-Term Memory. Data yang digunakan mencakup harga penutupan harian Solana dari Januari 2018 hingga September 2024, dilengkapi dengan variabel hari dalam seminggu dan jadwal kebijakan moneter bank sentral Amerika Serikat. Evaluasi model dilakukan berdasarkan akurasi prediksi yang diukur melalui Mean Absolute Percentage Error dan Root Mean Square Error, serta efisiensi pemodelan yang dilihat dari waktu komputasi. Hasil analisis menunjukkan bahwa Recurrent Neural Network memberikan performa lebih baik dalam akurasi dan efisiensi, dengan nilai Mean Absolute Percentage Error sebesar 3,44 persen, Root Mean Square Error sebesar 6,7233 dolar Amerika, dan waktu komputasi selama 4 menit 11 detik. Sementara itu, Long Short-Term Memory menunjukkan nilai Mean Absolute Percentage Error sebesar 4,43 persen dan Root Mean Square Error sebesar 8,0677 dolar Amerika, dengan waktu komputasi selama 7 menit 49 detik. Meskipun memiliki akurasi yang sedikit lebih rendah, Long Short-Term Memory mampu menghasilkan pola prediksi yang lebih halus dan stabil, sehingga lebih sesuai untuk mendeteksi pola jangka menengah. Temuan ini menunjukkan bahwa pemilihan metode prediksi perlu disesuaikan dengan kebutuhan spesifik dan karakteristik data, di mana Recurrent Neural Network lebih cocok untuk prediksi jangka pendek, sedangkan Long Short- Term Memory unggul dalam menangkap dinamika pola historis yang lebih kompleks.