Perbandingan Generalisasi Train-Test Split Dan Tscv Pada Lstm Untuk Prediksi Harga Bitcoin
Berkas Tugas Akhir
Abstract
Perubahan harga Bitcoin yang cepat dan pola pergerakan yang tidak selalu konsisten menjadi salah satu kendala dalam melakukan prediksi. Penelitian ini bertujuan menganalisis kemampuan model Long Short-Term Memory (LSTM) dalam memprediksi harga penutupan Bitcoin dengan membandingkan performa model berdasarkan skema Train-Test Split dan Time Series Cross-Validation (TSCV). Dataset penelitian terdiri atas data harian OHLCV Bitcoin dengan nilai close digunakan sebagai variabel target. Kinerja model dinilai berdasarkan Mean
Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute
Percentage Error (MAPE). Hasil pengujian menunjukkan bahwa model terbaik
pada skema TSCV memperoleh MAE 574,4, RMSE 802,7, dan MAPE 2,04%, sedangkan skema Train-Test Split menghasilkan MAE 2644,766, RMSE 3263,914, dan MAPE 4,191%. Hasil tersebut menunjukkan bahwa TSCV menghasilkan kesalahan prediksi yang lebih rendah pada data validasi. Namun, evaluasi menggunakan unseen data pada periode 18 September–31 Desember 2024 menunjukkan bahwa kedua model memperoleh accuracy sebesar 0,529 dalam
mengidentifikasi arah perubahan harga. Dengan demikian, performa TSCV yang lebih baik pada data validasi belum secara langsung menunjukkan kemampuan generalisasi yang lebih baik ketika model dihadapkan pada data baru dengan karakteristik pola yang berbeda.
Informasi Item
| Item Type | Thesis (Undergraduate) |
|---|---|
| Keywords/Kata Kunci | Bitcoin, LSTM, Time Series Cross-Validation, Train-Test Split, peramalan harga. |
| Subjects | 000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science |
| Divisions | Faculty of Engineering > Department of Informatics Engineering (S1) |
| Date Deposited | 13 Nov 2026 01:19 |
| Last Modified | 13 Nov 2026 01:38 |
| URI | https://repository.unmuhjember.ac.id/id/eprint/32964 |
