Prediksi Harga Dogecoin Berdasarkan Sentimen dari Twitter Menggunakan LSTM

Penulis

  • Ecky Prasetyo Nugroho Telkom University
  • Siti Saadah Telkom University
  • Farah Afianti Telkom University

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.

##submission.downloads##

Diterbitkan

2023-11-01

Terbitan

Bagian

Program Studi S1 Informatika