Manullang, Aloysius Bataona (2025) Implementasi Prediksi Harga Cryptocurrency Menggunakan Long Short-Term Memory dengan Analisis Sentimen. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5027211008-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5027211008-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (11MB) | Request a copy |
Abstract
Dalam beberapa tahun terakhir, cryptocurrency telah merevolusi sistem keuangan global dengan menawarkan alternatif terhadap transaksi tradisional serta membuka peluang investasi baru bagi individu maupun institusi. Bitcoin, sebagai mata uang kripto pertama dan paling populer, mengalami pertumbuhan signifikan, namun juga menunjukkan volatilitas harga yang tinggi. Pergerakan harga Bitcoin sangat dipengaruhi oleh faktor ekonomi, sosial, serta sentimen publik, termasuk opini yang berkembang di media sosial dan pemberitaan dari tokoh-tokoh berpengaruh. Oleh karena itu, analisis sentimen menjadi aspek penting dalam memahami dinamika pasar cryptocurrency. Penelitian ini bertujuan untuk mengembangkan model prediksi harga Bitcoin dengan mengintegrasikan analisis sentimen ke dalam model Long Short-Term Memory (LSTM). Analisis sentimen dilakukan menggunakan model DistilRoBERTa untuk mengklasifikasikan opini publik dari berita secara efisien. Sentimen yang dihasilkan selanjutnya dikombinasikan dengan data historis harga Bitcoin dalam model time-series LSTM untuk mengevaluasi pengaruhnya terhadap akurasi prediksi harga. Hasil evaluasi menunjukkan bahwa integrasi data sentimen mampu menurunkan tingkat kesalahan prediksi secara konsisten. Nilai Root Mean Squared Error (RMSE) mengalami penurunan pada seluruh konfigurasi window size yang diuji. Pada window size 5, RMSE turun dari 2312.32 menjadi 2201.61, pada window size 7, dari 2345.45 menjadi 2148.77, dan pada window size 10, dari 2396.25 menjadi 2183.46. Selain itu, model LSTM secara konsisten menunjukkan performa terbaik dibandingkan dengan model GRU, XGBoost, dan Random Forest, baik dalam skenario tanpa maupun dengan integrasi sentimen. Berdasarkan metrik RMSE, MAE, dan R², model LSTM mencatat nilai kesalahan prediksi terendah serta tingkat kesesuaian prediksi terhadap data aktual yang paling tinggi.
================================================================================================================================
In recent years, cryptocurrency has revolutionized the global financial system by offering an alternative to traditional transactions and opening new investment opportunities for individuals and institutions. Bitcoin, as the first and most popular cryptocurrency, has experienced significant growth but also exhibits high price volatility. Bitcoin price movements are strongly influenced by economic and social factors, as well as public sentiment, including opinions shared on social media and news from influential figures. Therefore, sentiment analysis plays a crucial role in understanding the dynamics of the cryptocurrency market. This study aims to develop a Bitcoin price prediction model by integrating sentiment analysis into a Long Short-Term Memory (LSTM) model. Sentiment analysis is conducted using the DistilRoBERTa model to efficiently classify public opinions extracted from news articles. The resulting sentiment data is then combined with historical Bitcoin price data within a time-series LSTM model to evaluate its impact on prediction accuracy. The evaluation results show that integrating sentiment data consistently reduces prediction error. The Root Mean Squared Error (RMSE) decreased across all tested window size configurations. At a window size of 5, RMSE decreased from 2312.32 to 2201.61, at window size 7, from 2345.45 to 2148.77, and at window size 10, from 2396.25 to 2183.46. Furthermore, the LSTM model consistently outperformed GRU, XGBoost, and Random Forest models, both with and without sentiment integration. Based on the evaluation metrics RMSE, MAE, and R² the LSTM model achieved the lowest prediction errors and the highest degree of fit to the actual data.
Actions (login required)
 |
View Item |