Prediksi Harga Dogecoin Berdasarkan Sentimen dari Twitter Menggunakan LSTM
Abstrak
Abstrak— Dogecoin adalah mata uang kripto yang diciptakan oleh Billy Markus dan Jackson Palmer, tetapi mereka membuat Dogecoin hanya untuk dibuat sebagai bahan candaan di dunia mata uang kripto. Tugas akhir ini menganalisis sentimen dan prediksi terhadap Doge dengan melakukan korelasi antara harga Doge terhadap data yang dikumpulkan dari media social Twitter mengenai Doge. Penelitian ini dilakukan menggunakan pendapat-pendapat yang disampaikan oleh pengguna jejaring sosial yang menggunakan bahasa Inggris. Metode yang digunakan adalah LSTM dengan mengacu pada penelitian-penelitian sebelumnya yang menunjukkan bahwa LSTM memberikan akurasi tertinggi. Data yang digunakan pada penelitian ini adalah harga doge dan tweet pada periode januari-april 2021. Menentukan korelasi antara doge dan tweet dilakukan dengan korelasi pearson dimana hasil korelasi tersebut menentukan korelasi positif, korelasi negatif dan tidak berkorelasi, setelah itu dilakukan prediksi harga doge close dengan LSTM. Harga Doge Close berkorelasi dengan sentimen, namun tidak kuat tidak juga lemah. Tidak ada peningkatan akurasi hasil prediksi dibandingkan pengujian pertama yang dimana pada pengujian pertama nilai RMSE sebesar 0,003 dan pengujian kedua nilai RMSE sebesar 0,008.
Kata kunci— analisis sentimen, LSTM, prediksi, korelasi
Referensi
REFERENSI
Saadah, Siti, and AA Ahmad Whafa. "Monitoring
Financial Stability Based on Prediction of
Cryptocurrencies Price Using Intelligent Algorithm."
International Conference on Data Science and Its
Applications (ICoDSA). IEEE, 2020.
Ante, Lennart. "How Elon Musk's Twitter Activity
Moves Cryptocurrency Markets." Available at SSRN
(2021).
Chen, Wei, et al. "Machine learning model for
Bitcoin exchange rate prediction using economic and
technology determinants." International Journal of
Forecasting 37.1 (2021): 28-43.
Sezer, Omer Berat, Mehmet Ugur Gudelek, and
Ahmet Murat Ozbayoglu. "Financial time series
forecasting with deep learning: A systematic literature
review: 2005-2019." Applied Soft Computing 90
(2020): 106181.
Patel, Mohil Maheshkumar, et al. "A deep
learning-based cryptocurrency price prediction scheme
for financial institutions." Journal of Information
Security and Applications 55 (2020): 102583.
Hochreiter, Sepp, and Jurgen Schmidhuber.
"Long short-term memory." Neural computation 9.8
(1997): 1735-1780.
Bengio, Yoshua, Patrice Simard, and Paolo
Frasconi. "Learning long-term dependencies with
gradient descent is difficult." IEEE transactions on
neural networks 5.2 (1994): 157-166.
Chai, Tianfeng, and Roland R. Draxler. "Root
mean square error (RMSE) or mean absolute error
(MAE)?-Arguments against avoiding RMSE in the
literature." Geoscientific model development 7.3 (2014):
-1250.
D. P. Kingma and J. L. Ba, "Adam: A Method for
Stochastic Optimization," in 3rd International
Conference for Learning Representations, San Diego,
Makeusof.com. (2021, 29 April ). What Is a
Decentralized Cryptocurrency Exchange (DEX)?.
https://www.makeuseof.com/what-is-a-decentralizedcryptocurrency-exchange-dex
Financemagnates.com. (2020, 22 Mei). InterestBearing Crypto Accounts: A 8Gateway9 for New Crypto
Users?.
https://www.financemagnates.com/cryptocurrency/news
/interest-bearing-crypto-accounts-a-gateway-for-newcrypto-users/
Huppmann, Sebastian. (2019). Bitcoin Price
Prediction using Sentiment Analysis of Twitter Data.
13140/RG.2.2.32123.13605.
Hutto, C., & Gilbert, E. (2014). VADER: A
Parsimonious Rule-Based Model for Sentiment Analysis
of Social Media Text. Proceedings of the International
AAAI Conference on Web and Social Media, 8(1), 216-
Pan, Y., Hou, L., & Pan, X. (2022). Interplay
between stock trading volume, policy, and investor
sentiment: A multifractal approach. Physica A: Statistical
Mechanics and its Applications, 603, 127706.
Mohan, S., Mullapudi, S., Sammeta, S.,
Vijayvergia, P., & Anastasiu, D. C. (2019, April). Stock
price prediction using news sentiment analysis. In 2019
IEEE Fifth International Conference on Big Data
Computing Service and Applications (BigDataService)
(pp. 205-208). IEEE.
Sedgwick, P. (2012). Pearson9s correlation
coefficient. Bmj, 345.
Edgari, E., Thiojaya, J., & Qomariyah, N. N. (2022,
March). The Impact of Twitter Sentiment Analysis on
Bitcoin Price during COVID-19 with XGBoost. In 2022
th International Conference on Computing and
Informatics (ICCI) (pp. 337-342). IEEE.
Pano, T., & Kashef, R. (2020). A complete VADERbased sentiment analysis of bitcoin (BTC) tweets during
the era of COVID-19. Big Data and Cognitive
Computing, 4(4), 33.