Peramalan Volatilitas Bitcoin Menggunakan Model Hybrid Generalized Autoregressive Conditional Heteroskedasticity - Long Short-Term Memory (GARCH-LSTM)

Syahfira, Farah (2025) Peramalan Volatilitas Bitcoin Menggunakan Model Hybrid Generalized Autoregressive Conditional Heteroskedasticity - Long Short-Term Memory (GARCH-LSTM). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003211080-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Pada era modern saat ini, teknologi berkembang dengan pesat, terutama di sektor ekonomi dan keuangan. Salah satu inovasi dalam sektor ini adalah hadirnya cryptocurrency atau mata uang kripto. Sebagai mata uang digital pertama yang terdesentralisasi, Bitcoin menawarkan potensi keuntungan besar, namun juga membawa risiko yang tinggi. Teknologi blockchain yang mendasari Bitcoin meningkatkan transparansi dalam pelacakan transaksi digital, tetapi dengan jumlah Bitcoin yang terbatas, nilai tukarnya cenderung berfluktuasi, meskipun secara umum menunjukkan tren peningkatan seiring waktu. Sehingga, analisis fluktuasi harga Bitcoin sangat penting untuk mengurangi risiko investasi. Volatilitas, sebagai ukuran statistik fluktuasi, digunakan untuk menggambarkan tingkat risiko yang dihadapi investor. Oleh karena itu, penelitian ini bertujuan untuk meramalkan volatilitas return Bitcoin menggunakan model Hybrid Generalized Autoregressive Conditional Heteroskedasticity – Long Short-Term Memory (GARCH-LSTM). Model GARCH dipilih karena kemampuannya menangkap perubahan dinamis dalam volatilitas seiring waktu, sedangkan LSTM mampu menangkap hubungan non-linear yang kompleks dalam data return aset. Untuk mencapai tujuan ini, penelitian ini menggunakan data harga Bitcoin historis dari tahun 2020 hingga 2024. Hasil penelitian menunjukkan bahwa residual model ARIMA(2,0,0) digunakan sebagai input model GARCH(1,1) untuk mendapatkan volatilitas Bitcoin. Nilai volatilitas yang dihasilkan dari model GARCH digunakan sebagai input pada model LSTM yang dibangun dengan arsitektur satu lapisan LSTM. Model ini memanfaatkan dua lag input, yaitu nilai volatilitas satu hari sebelumnya dan delapan hari sebelumnya. Proses pelatihan dilakukan menggunakan algoritma optimasi Adam dengan evaluasi HMAE dan HMSE. Selanjutnya, model ini digunakan untuk meramalkan volatilitas return Bitcoin selama 31 hari ke depan pada periode Januari 2025, yang menunjukkan pola pergerakan volatilitas dengan tren menurun pada rentang 0,02943 hingga 0,02970. Hasil ini menunjukkan bahwa model hybrid yang dikembangkan cukup baik untuk memodelkan volatilitas jangka pendek Bitcoin.

============================================================================================================================================

In the modern era, technology is advancing rapidly, especially in the economic and financial sectors. One notable innovations in this sector is the emergence of cryptocurrency or digital currency. As the first decentralized digital currency, Bitcoin offers significant profit potential, but it also carries substantial risks. The blockchain technology underlying Bitcoin enhances transparency in tracking digital transactions. However, due to the limited supply of Bitcoin, its exchange rate tends to fluctuate, although it generally shows an upward trend over time. Therefore, analyzing Bitcoin price fluctuations is crucial to reducing investment risk. Volatility, as a statistical measure of fluctuation, is used to describe the level of risk faced by investors. Hence, this study aims to forecast Bitcoin return volatility using a Hybrid Generalized Autoregressive Conditional Heteroskedasticity – Long Short-Term Memory (GARCH-LSTM) model. The GARCH model is selected for its ability to capture dynamic changes in volatility over time, while the LSTM model excels at capturing complex non-linear relationships within asset return data. To achieve this objective, the study utilizes historical Bitcoin price data from 2020 to 2024. The findings indicate that residuals from the ARIMA(2,0,0) model are used as inputs to the GARCH(1,1) model to estimate Bitcoin volatility. The resulting volatility values are then input into an LSTM model configured with a one-layer architecture. This model leverages two input lags, one-day and eight-day lagged volatility values. Training is performed using the Adam optimization algorithm, with evaluation based on HMAE and HMSE metrics. Subsequently, the model was employed to forecast the return volatility of Bitcoin over a 31-day period in January 2025, revealing a downward trend within the range of 0.02943 to 0.02970. These results indicate that the proposed hybrid model performs effectively in modeling short-term Bitcoin volatility.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Hybrid GARCH-LSTM, Volatilitas, Bitcoin, Peramalan, Hybrid GARCH-LSTM, Volatility, Bitcoin, Forecasting
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics
Depositing User:	Farah Syahfira
Date Deposited:	31 Jul 2025 08:45
Last Modified:	31 Jul 2025 08:45
URI:	http://repository.its.ac.id/id/eprint/124249

Actions (login required)

View Item