Rancang Bangun Aplikasi Prediksi Harga Ethereum Berbasis Website Menggunakan Bidirectional Long Short Term Memory (Bi-LSTM)

Hakim, Arsen Awali Rahman (2026) Rancang Bangun Aplikasi Prediksi Harga Ethereum Berbasis Website Menggunakan Bidirectional Long Short Term Memory (Bi-LSTM). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2043221129-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (6MB)

Abstract

Perkembangan teknologi digital telah mengubah berbagai sektor salah satunya sektor finansial dengan kehadiran aset kripto sebagai aset investasi alternatif. Kehadiran aset kripto yang menjadi aset alternatif ini juga menunjukkan adanya pertumbuhan investor yang pesat di Indonesia. Pertumbuhan yang pesat ini juga diiringi oleh volatilitas harga yang ekstrem contohnya pada aset seperti Ethereum sehingga menciptakan risiko finansial yang signifikan bagi investor. Kesenjangan antara kebutuhan akan prediksi harga yang akurat dan keterbatasan alat analisis yang ada mendorong urgensi pengembangan solusi berbasis kecerdasan buatan. Penelitian ini bertujuan untuk menjembatani kesenjangan tersebut dengan membangun aplikasi prediksi harga Ethereum berbasis website yang akurat menggunakan metode Bidirectional Long Short-Term Memory (Bi-LSTM). Penelitian ini membandingkan performa model melalui pendekatan ablation study terhadap empat skenario kombinasi variabel prediktor: (1) model kombinasi 1 variabel prediktor, (2) model kombinasi 2 variabel prediktor, (3) model kombinasi 3 variabel prediktor, dan (4) model kombinasi 4 variabel prediktor. Hasil analisis karakteristik menunjukkan bahwa Ethereum memiliki korelasi positif yang sangat kuat dengan Indeks S&P 500 (0,82), mengindikasikan perilakunya sebagai aset risk-on yang terintegrasi dengan kondisi makroekonomi global. Berdasarkan hasil pemodelan, model terbaik diperoleh menggunakan kombinasi variabel Harga Ethereum (t-1) dan S&P 500 dimana model ini menghasilkan akurasi tertinggi pada data testing dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 4,39% dan Adjusted R-Squared sebesar 0,933. Luaran penelitian ini memberikan dua kontribusi utama: bukti empiris mengenai efektivitas Bi-LSTM dan sebuah aplikasi web fungsional sebagai alat bantu keputusan untuk menjembatani kesenjangan analitis bagi investor ritel di Indonesia.
===================================================================================================================================
The advancement of digital technology has significantly transformed the financial sector, notably through the emergence of crypto assets as alternative investments. This shift has catalyzed rapid investor growth in Indonesia. However, this expansion is accompanied by extreme price volatility exemplified by Ethereum posing significant financial risks. Addressing the gap between the need for accurate price forecasting and the limitations of existing analytical tools, this study develops a web-based Ethereum price prediction application using the Bidirectional Long Short-Term Memory (Bi-LSTM) method. The research employs an ablation study approach to compare model performance across four predictor variable scenarios: (1) combination of one predictor variable model, (2) combination of two predictor variable model, (3) combination of three predictor variable model, and (4) a combination of four predictor variable model. Characteristic analysis reveals a strong positive correlation (0.82) between Ethereum and the S&P 500 Index, characterizing Ethereum as a risk-on asset integrated with global macroeconomic conditions. The optimal model, combining Ethereum Price (t-1) and the S&P 500, achieved the highest accuracy with a Mean Absolute Percentage Error (MAPE) of 4,39% and an Adjusted R-Squared of 0,933. Consequently, this research contributes empirical evidence regarding Bi-LSTM effectiveness and provides a functional decision support tool to bridge the analytical gap for retail investors in Indonesia.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Bidirectional LSTM, Cryptocurrency, Ethereum, WebApp.
Subjects:	Q Science > Q Science (General) > Q325.78 Back propagation Q Science > QA Mathematics > QA76.76.A65 Application software. Enterprise application integration (Computer systems) Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Arsen Awali Rahman Hakim
Date Deposited:	13 Feb 2026 04:10
Last Modified:	13 Feb 2026 04:10
URI:	http://repository.its.ac.id/id/eprint/132440

Actions (login required)

View Item