Prediksi Harga Mata Uang Kripto Menggunakan LSTM dan MLR
Abstrak
Abstrak-Perkembangan mata uang kripto terjadi begitu pesat dalam beberapa tahun ini. Hal ini membuat orang-orang semakin tertarik untuk menginvestasikan uangnya ke dalam mata uang kripto. Namun untuk mempelajari pergerakan pasar dan ilmu untuk memprediksi harga menggunakan analisa teknikal tidaklah mudah, seringkali terjadinya perubahan yang begitu besar pada harga membuat mata uang kripto menjadi aset yang cukup diminati namun beresiko tinggi. Tidak jarang para investor mengalami kerugian dikarenakan hasil analisa yang kurang tepat dan karena transaksi jual beli mata uang kripto yang tidak dipatok oleh waktu memungkinkan harga berubah kapan saja. Pada penelitian ini melakukan prediksi harga mata uang kripto berupa harga penutupan mata uang kripto tersebut. Prediksi mata uang kripto ini dilakukan dengan metode Long Short-Term Memory (LSTM) dan Multiple Linear Regression (MLR). Dengan menggunakan histori harga tutup sebelumnya (Close) dan jumlah penambahan kasus positif Covid-19 untuk menjadi data latih. Menggunakan dua mata uang kripto untuk memastikan mesin dapat bekerja untuk lebih dari satu mata uang kripto. Hasil dari kedua metode ini adalah prediksi harga mata uang kripto yang dibandingkan dengan menghitung nilai Root Mean Squared Error (RMSE) untuk memastikan metode apa yang lebih baik digunakan dalam memprediksi harga mata uang kripto. Hasil terbaik dihasilkan oleh model LSTM dengan nilai RMSE 0.000240.
Kata kunci-LSTM, MLR, mata uang kripto
Referensi
S. Corbet, Y. (Greg) Hou, Y. Hu, C. Larkin, B. Lucey, and L. Oxley, “Cryptocurrency liquidity and volatility interrelationships during the COVID-19 pandemic,” Financ. Res. Lett., no. April, p. 102137, 2021, doi: 10.1016/j.frl.2021.102137.
F. Fang et al., “Cryptocurrency trading: A comprehensive survey,” arXiv, 2020.
A. Mahata, A. Rai, O. Prakash, and M. Nurujjaman, “Modeling and analysis of the effect of Covid-19 on the stock price: v and l-shape recovery,” arXiv, vol. 574, p. 126008, 2020, doi: 10.1016/j.physa.2021.126008.
J. Patel, S. Shah, P. Thakkar, and K. Kotecha, “Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques,” Expert Syst. Appl., vol. 42, no. 1, pp. 259–268, 2015, doi: 10.1016/j.eswa.2014.07.040.
A. Yadav, C. K. Jha, and A. Sharan, “Optimizing LSTM for time series prediction in Indian stock market,” Procedia Comput. Sci., vol. 167, no. 2019, pp. 2091–2100, 2020, doi: 10.1016/j.procs.2020.03.257.
S. Shakhla, B. Shah, N. Shah, V. Unadkat, and P. Kanani, “Stock price trend prediction using multiple linear regression,” Int. J. Eng. Sci. Invent., vol. 7, no. 10, pp. 29–33, 2018, [Online]. Available: www.ijesi.org.
M. M. Patel, S. Tanwar, R. Gupta, and N. Kumar, “A Deep Learning-based Cryptocurrency Price Prediction Scheme for Financial Institutions,” J. Inf. Secur. Appl., vol. 55, no. August, p. 102583, 2020, doi: 10.1016/j.jisa.2020.102583.
C. Chalvatzis and D. Hristu-Varsakelis, “High-performance stock index trading via neural networks and trees,” Appl. Soft Comput. J., vol. 96, p. 106567, 2020, doi: 10.1016/j.asoc.2020.106567.
A. Moghar and M. Hamiche, “Stock Market Prediction Using LSTM Recurrent Neural Network,” Procedia Comput. Sci., vol. 170, pp. 1168–1173, 2020, doi: 10.1016/j.procs.2020.03.049.
S. K. Prion and K. A. Haerling, “Making Sense of Methods and Measurements: Simple Linear Regression,” Clin. Simul. Nurs., vol. 48, pp. 94–95, 2020, doi: 10.1016/j.ecns.2020.07.004.
L. S. Aiken, S. G. West, and S. C. Pitts, “Multiple Linear Regression,” in Handbook of Psychology, American Cancer Society, 2003, pp. 481–507.
D. Enke, M. Grauer, and N. Mehdiyev, “Stock market prediction with Multiple Regression, Fuzzy type-2 clustering and neural networks,” Procedia Comput. Sci., vol. 6, pp. 201–206, 2011, doi: 10.1016/j.procs.2011.08.038.
