Bitcoin merupakan salah satu aset kripto yang biasa digunakan untuk bertransaksi secara virtual dan merupakan tiga teratas dari cryptocurrency yang paling banyak diperdagangkan. Harga bitcoin dapat berubah setiap waktu, untuk itu diperlukan suatu prediksi harga bitcoin dimasa mendatang. Penelitian ini bertujuan untuk menerapkan aplikasi orange data mining dalam memprediski harga bitcoin dengan metode K-Nearest Neighbor (K-NN) dan Support Vector Machine (SVM). Prediksi kinerja dari kedua metode yang digunakan dapat dilihat dari hasil Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Data bitcoin yang telah dikumpulkan akan dianalisa menggunakan aplikasi orange data mining, proses pengujian menerapkan K-Fold Cross Validation (K=5), sedangkan proses perbandingan metode menggunakan Test and Score. Hasil perbandingan kedua model menunjukkan bahwa SVM karena memiliki nilai RMSE dan MAE paling kecil yaitu 0.010 dan 0.008, maka dari itu untuk prediksi harga bitcoin di masa mendatang model Support Vector Machine (SVM) dapat dijadikan rekomendasi terbaik dibandingkan model K-NN.
Kemajuan teknologi yang semakin pesat membuat banyak bidang mengalami perubahan termasuk didalamnya bidang investasi asset digital terutama crypto. Ada banyak cara yang dilakukan oleh para trader maupun investor dalam melakukan perdagangan Bitcoin yang merupakan salah satu asset digital di dunia crypto. Indodax merupakan salah satu platform buatan local Indonesia yang melayani transaksi perdagangan asset digital. Analalisis teknikal dan fundamental dilakukan untuk memprediksi pergerakan harga bitcoin, namun volatilitas yang tinggi menyebabkan pergerakan bitcoin sulit untuk diprediksi. Penggunaan Reccurrent Neural Network yang merupakan sub bidang ilmu dari Machine Learning merupakan salah satu cara untuk dapat melakukan prediksi terhadap bitcoin.Kata Kunci : RNN, LSTM, Bitcoin, Indodax, Training, Testing
I GEDE MAHA HENDRA PRATAMA, I WAYAN SUMARJAYA, NI LUH PUTU SUCIPTAWATI
One of the spectacular advances in technology in the economic field is the cryptocurrency it created. The fluctuating price of Bitcoin, is widely used as a means of making profit. The time series forecasting method that can be used for the case of nonlinear time series data such as Bitcoin data is the smooth transition autoregressive (STAR) model. STAR is an extension of the autoregressive model for nonlinear time data. The purpose of this study is to obtain the results of forecasting Bitcoin price data for the next 2 two months using the STAR method. The data used in this study is Bitcoin daily price data from September 2017 to April 2021. To estimate the STAR model, several things that must be determined are the autoregressive model, transition variables, and transition functions. If the STAR model has been estimated, forecasting will be carried out for the next 2 months, which results in the forecast for the highest Bitcoin price falling on June 30, 2021 and the lowest Bitcoin price falling on May 1, 2021.
Deny Haryadi, Arif Rahman Hakim, Dewi Marini Umi Atmaja, Syifa Nurgaida Yutia
Cryptocurrency investment is an investment instrument that has high risk but also has a greater advantage than other investment instruments. To make a big profit, investors need to analyze cryptocurrency investments to predict the price of the cryptocurrency to be purchased. The highly volatile movement of cryptocurrency prices makes it difficult for investors to predict those prices. Data mining is the process of extracting large amounts of information from data by collecting, using data, the history of data relationship patterns, and relationships in large data sets. Support Vector Regression has the advantage of doing accurate cryptocurrency price predictions and can overcome the problem of overfitting by itself. Polkadot is one of the cryptocurrencies that are often used as investment instruments in the world of cryptocurrencies. Polkadot cryptocurrency price prediction analysis using the Support Vector Regression algorithm has a good predictive accuracy value, including for Polkadot daily closing price data, namely with a radial basis function (RBF) kernel with cost parameters C = 1000 and gamma = 0.001 obtained model accuracy of 90.00% and MAPE of 5.28 while for linear kernels with parameters C = 10 obtained an accuracy of 87.68% with a MAPE value of 6.10. It can be concluded that through parameter tuning, the model formed has an accuracy value and the best MAPE is to use a radial kernel basis function (RBF) with cost parameters C = 1000 and gamma = 0.001. The results show that the Support Vector Regression method is quite good if used for the prediction of Polkadot cryptocurrencies.
Helynda Mulya Arga Retha, Gilberto Daniel Dwi Putra Taslim
Abstract: The economic situation is greatly affected by the pandemic. It causes people to look for ways to keep their money safe even if they can make a profit. One of the answers to that question is various investment products such as stocks, bonds, mutual funds, and cryptocurrency. Cryptocurrency or commonly called Cryptocurrency is a digital asset used to exchange. Cryptocurrency today has become a very remarkable phenomenon, especially since entering the era of the COVID 19 pandemic. Bitcoin is a digital currency created in 2009 by Satoshi Nakamoto. Cryptocurrency price movements have patterns and are predictable. The effort to make this prediction is called forecasting. Methods research on this paper using ARIMA methods. The forecasting results for the next five periods of the Bitcoin price show a linear line at the price of USD 48065.1.
Pandemi COVID-19 yang belum berhenti menyebabkan kondisi ekonomi Indonesia kian memburuk. Masyarakat yang terkena dampak pemotongan upah akibat pandemi harus mencari cara untuk mendapatkan pendapatan pasif. Salah satu cara untuk mendapatkan hal tersebut adalah berinvestasi. Cryptocurrency adalah salah satu instrumen investasi berbasis aplikasi yang memiliki return tinggi. Aplikasi Pintu adalah aplikasi pertama yang menyediakan fasilitas mobile apps pada penggunanya. Aplikasi yang dirilis pada tahun 2020 ini sudah memiliki banyak ulasan yang diberikan oleh penggunanya. Ulasan ini dibutuhkan untuk mengetahui apakah ulasan yang diberikan bersifat positif atau negatif. Analisis sentimen pada aplikasi Pintu dipilih untuk melihat sentimen pengguna yang akan dibagi menjadi dua kelas sentimen yaitu positif dan negatif. Klasifikasi dilakukan dengan algoritma Maximum Entropy dengan perbandingan metode pembobotan kata Term Frequency (TF), Term Frequency-Inverse Document Frequency (TF-IDF) dan Binary. Model klasifikasi terbaik dilihat berdasarkan nilai akurasi yang dievaluasi dengan 5-Fold Cross Validation. Hasil klasifikasi model Maximum Entropy dengan Binary memiliki tingkat akurasi sebesar 83,21% sedangkan hasil klasifikasi model Maximum Entropy dengan Term Frequency hanya sebesar 83,01% dan model Maximum Entropy dengan Term Frequency-Inverse Document Frequency hanya sebesar 83,20%. Hal ini menunjukkan bahwa tidak terdapat perbedaan yang signifikan pada model algoritma Maximum Entropy dengan metode pembobotan kata Term Frequency (TF), Term Frequency-Inverse Document Frequency (TF-IDF) dan Binary. Keywords: Cryptocurrency, Binary, Term Frequency, Term Frequency-Inverse Document Frequency, Maximum Entropy
Bitcoin merupakan mata uang digital yang menggunakan sistem kriptografi pertama di dunia. Tujuan utama diciptakannya Bitcoin adalah memungkinkan kedua belah pihak untuk melakukan transaksi secara langsung tanpa campur tangan pihak ketiga. Meskipun Bitcoin merupakan sebuah mata uang, banyak orang yang menggunakan Bitcoin sebagai alat untuk berinvestasi karena harganya cenderung naik cepat dalam waktu singkat. Namun, bukan berarti tidak memiliki risiko. Berinvestasi ke Bitcoin memiliki risiko yang tinggi karena volatilitas harganya sangat tinggi. Penelitian ini bertujuan untuk membandingkan algoritma yang digunakan untuk memprediksi harga Bitcoin. Dalam penelitian ini akan dilakukan prediksi terhadap harga Bitcoin dengan membandingkan empat model algoritma yaitu Linear Regression , Neural Network , Deep Learning , dan k-Nearest Neighbor (k-NN) . Tingkat akurasi dari tiap model algoritma akan diuji dengan metode validasi K-Fold Cross Validation dan dievaluasi menggunakan Root Mean Square Error (RMSE). Hasil dengan uji T-Test dalam penelitian ini menyimpulkan bahwa model terbaik untuk memprediksi harga Bitcoin adalah model algoritma Linear Regression dan Neural Network , yaitu dengan hasil RMSE 296.227 +/- 60.125 ( micro average : 301.655 +/- 0.000) dan 338.988 +/- 47.837 ( micro average : 342.000 +/- 0.000). Kata kunci: Perbandingan algoritma, Bitcoin, prediksi
The COVID-19 outbreak had a severe impact on almost all countries in the world. One aspect of concern during the pandemic is an investment. In this study, the GARCH model used to estimate Value at Risk (VaR) on cryptocurrency investments as a tolerable loss during the COVID-19 pandemic. Data in this study are ten cryptocurrencies with the largest capitalization. The observation period when WHO declared COVID-19 as a pandemic, namely on March 11, 2020 - June 11, 2020. From this study, the highest cryptocurrency VaR value is Crypto.com with an amount of 0,18214. It means that the maximum loss that an investor can tolerate with an investment of $500.000.000 for a 95 percent confidence level is $ 91.070.392.
Technological developments continue to encourage the creation of various innovations in almost all aspects of human life. One of the innovations that is becoming a worldwide phenomenon today is the presence of cryptocurrency as a digital currency that is able to replace the role of conventional currency as a means of payment. Currently, the number of cryptocurrency investors in Indonesia has reached 4.45 million people as of March 2021, an increase of 78% compared to the end of the previous year. Very volatile price movements make cryptocurrency investments considered speculative so the risks faced are also very high. The purpose of this study is to build a predictive model that is able to forecast prices on the cryptocurrency market. The algorithm used to build the prediction model is Long Short Term Memory (LSTM). LSTM is the development of the Recurrent Neural Network (RNN) algorithm to overcome problems in the RNN in managing data for a long period. LSTM is considered superior to other algorithms in managing time series data. The data in this study were taken from the Yahoo Finance website using the Pandas Datareader library through Google Collaboratory. The entire prediction model development process is carried out through Google Collaboratory tools. To improve the accuracy of the model, the Nadam optimization algorithm was used and three testing sessions were carried out with the number of Epochs of 1, 10, and 20 in each session. The final test results show that the best prediction performance occurs when testing the DOGE coin type with the number of Epoch 20 which gets an RMSE value of 0.0630.
Bitcoin saat ini sudah mulai di kenal sebagai asset digital bagi para milenial dan tidak hanya menginvestasikan dana dalam instrument investasi tradisional seperti saham, obligasi, dan reksadana, generasi milenial juga mulai menginvestasikan dana dalam bentuk mata uang Criptocurrency dan menjadi sebuah tren investasi baru yang sedang meningkat di Indonesia dan merupakan instrument investasi paling menguntungkan di decade ini. Permasalahan yang sering muncul yaitu salah satunya adalah Cryptocurrency tidak bisa di prediksi dengan mudah, salah langkah dalam menganalisis dan prediksi akan berakibat fatal terhadap asset yang dimiliki, sehingga dapat menimbulkan kerugian besar ketika pelaku investor/trader melakukan keputusan tanpa berdasarkan analisa dan prediksi yang tepat. Algoritma MA dapat meminimalisir kesalahan dalam prediksi yang sering keliru dilakukan para investor/trader dalam memprediksi yang sering didasarkan pada intuisi dan emosi. Penelitian ini bertujuan untuk melihat hasil akurasi dari algoritma MA terhadap peramalan harga Bitcoin dan menentukan di posisi mana algoritma ini lebih efektif untuk digunakan dalam strategi analisis sehingga diharapkan informasi ini dapat dijadikan acuan untuk para pelaku trader/investor dalam menentukan keputusan Buy, Sell or Hold dalam berinvestasi dan mengurangi kesalahan proses perdagangan jual dan beli pada Bitcoin.
In modern times, many people rely on sophisticated technology to meet their needs. Already many technologies today can replace the role and function of society in the field of investment. There are many ways to fulfill the lives of these people, such as Bitcoin investment. Bitcoin is a digital asset that only exists in digital form by means of peer-to-peer work. To maximize profits, it is necessary to forecast Bitcoin prices when it will go up or down. This study tries to address the changes in Bitcoin prices whether to go up or down the next day with an artificial neural network model. The editor used in this study is the LSTM method. The data used is the Bitcoin blockchain data, namely time-series data in a one-day period from 1 January 2018 to 31 May 2019. Obtained forecasting results in June 2019 for Bitcoin to rise slowly and an accuracy value of 97.5% based on MAPE with the first day worth $8901.50.
Bitcoin merupakan salah satu penerapan konsep cryptocurrency, yang mengemukakan saran dan ide terhadap bentuk baru mata uang menggunakan kriptografi dengan fungsi untuk mengontrol pembuatan dan transaksi. Kesulitan memprediksi harga Bitcoin dapat terjadi, jika dilakukan secara manual, oleh karena itu dibutuhkan aplikasi untuk memprediksi harga Bitcoin dengan menggunakan bahasa pemrograman Python dinamis yang dilengkapi dengan manajemen memori otomatis. Python juga dapat berkolaborasi sebagai library dalam sebuah aplikasi salah satu contohnya adalah library H2O yang dibuat oleh H2O.ai. H2O Bitcoin merupakan salah satu penerapan konsep cryptocurrency, yang mengemukakan saran dan ide terhadap bentuk baru mata uang menggunakan kriptografi dengan fungsi untuk mengontrol pembuatan dan transaksi. Kesulitan memprediksi harga Bitcoin dapat terjadi, jika dilakukan secara manual, oleh karena itu dibutuhkan aplikasi untuk memprediksi harga Bitcoin dengan menggunakan bahasa p emrograman Python dinamis yang dilengkapi dengan mana jemen memori otomatis. Python juga dapat berkolaborasi sebagai library dalam sebuah aplikasi salah satu contohnya adalah library H2O yang dibuat oleh H2O.ai. H2O telah memudahkan non-ahli untuk bereksperimen dengan machine learning, H2O AutoML dapat digunakan untuk mengotomatiskan alur kerja machine learning, yang mencakup p elatihan otomatis dan p enyetelan banyak mo del dalam batas waktu yang ditentukan pengguna. Hasil evaluasi terhadap data uji dengan menggunakan model H2O AutoML dalam memprediksi harga pembukaan Bitcoin memp eroleh nilai koefisien determinasi (R2) sebesar 0.968 dan nilai error seb esar 3.48%telah memudahkan non-ahli untuk bereksperimen dengan machine learning, H2O AutoML dapat digunakan untuk mengotomatiskan alur kerja machine learning, yang mencakup pelatihan otomatis dan penyetelan banyak model dalam batas waktu yang ditentukan pengguna. Hasil evaluasi terhadap data uji dengan menggunakan model H2O AutoML dalam memprediksi harga pembukaan Bitcoin memperoleh nilai koefisien determinasi (R2) sebesar 0.968 dan nilai error sebesar 3.48%.
Adam Prasetya, Ferdiansyah Ferdiansyah, Yesi Novaria Kunang, Edi Surya Negara · 5 authors
Analisis sentiment saat ini banyak di gunakan masyarat sebagai bahan untuk mengetahui pendapat atau opini masyarakattentang berbagai macam hal. Dengan menggunakan sentiment analisis kita dapat mengklasifikasikan data apakah data tersebuttermasuk opini netral opini positif opini negatif. Penelitian ini membahas tentang analisis sentiment untuk mengukur tingkatakurasi dari pendapat masyarakat pada tiga cryptocurrency yaitu Bitcoin,ethereum,ripple dengan metode Naive Bayes dansupport vector machine yang berguna untuk mengetahui nilai akurasi yang tertinggi dari dua metode yang digunakan dalampenelitian ini. Ada banyak metode yang bisa digunakan untuk mengkasifikasikan opini tersebut, namun penelitian ini dipilihmetode Naive Bayes dan Support vector machine, dengan alasan metede tersebut banyak di gunakan oleh peneliti lain danmenghasilkan nilai akurasi yang tinggi. Hasil dari penelitian ini adalah berupa data perbandingan dari akurasi. hasil akurasidari 3 cryptocurrency SVM lebih besar dari pada nilai akurasi 3 cryptocurrency Naive Bayes.
Bitcoin is one of the most popular cryptocurrencies today. In the current pandemic conditions that hit the world due to Covid-19, bitcoin is expected to be used as an investment when the level of economic uncertainty is high. In this study, the data used is bitcoin price data which is included in time series data. One of the commonly used methods for prediction in time series is the linear regression method. And to be able to develop the prediction results, a data transformation technique is used using the popular method, namely exponential smoothing. In the exponential smoothing method, optimization of the alpha parameter is carried out to be able to boost the prediction results from linear regression. And from the experimental results, it is evident that the optimization of the alpha parameter in exponential smoothing is able to improve the prediction performance of linear regression with the results of the comparison of RMSE with the t test which has resulted in significant differences.
Pada masa pandemic ini, transaksi keuangan virtual mengalami peningkatan tajam. Dikarenakan penyimpanan asset maupun bentuk jual-beli bertransformasi menggunakan layanan digital. Bitcoin sebagai salah satu cryptocurrency yang saat ini banyak digunakan dan diminati oleh masyarakat di dunia, tetapi tidak terdapat instansi keuangan khusus yang bertanggung jawab terhadap transaksi jual beli bitcoin, memerlukan sistem prediksi harga bitcoin untuk mengetahui status nilai bitcoin. Mengacu kepada karakteristik data bitcoin yang senantiasa berfluktuatif, maka digunakan metode Random Forest Regression untuk memprediksi harga bitcoin. Algoritma ini merupakan salah satu pemodelan yang dapat menghasilkan performansi yang baik dalam hal prediksi. Dengan menggunakan pemodelan Random Forest Regression, diperoleh nilai MAPE sebesar 1.50% dengan akurasi sebesar 98.50%. Nilai tersebut adalah nilai yang menghasilkan performansi paling baik diantara semua percobaan prediksi bitcoin.
Fakultas Ekonomi dan Bisnis, Universitas Sumatera Utara, Medan, Christopher Lumbantobing, Isfenti Sadalia, Fakultas Ekonomi dan Bisnis, Universitas Sumatera Utara, Medan
Penelitian ini bertujuan untuk mengetahui dan menganalisis perbadingan kinerja cryptocurrency bitcoin, saham, dan emas. Jenis penelitian ini merupakan penelitian kuantitatif menggunakan metode komparatif. Populasi yang dalam penelitian ini yaitu harga penutupan bulanan bitcoin, saham LQ45, dan emas mulai dari tahun 2017 hingga 2021, yaitu sebanyak 180 data. Teknik pengambilan sampel yang digunakan dalam penelitian ini yaitu pengambilan sampel jenuh. Penelitian ini merupakan penelitian yang menggunakan data time series dan Jenis data yang digunakan adalah data sekunder. Data dikalkulasikan menggunakan program Microsoft Excel verdasarkan formula dari masing-masing variabel penelitian. Data diolah menggunkan aplikasi SPSS yaitu Uji ANOVA. Hasil Penelitian ini menunjukan bahwa terdapat perbedaan yang nyata antara bitcoin, saham dan emas bila dilihat dari return dan risk. Kemudian, terdapat perbedaan yang nyata antara kinerja bitcoin, saham dan emas yang diukur dengan metode Sharpe, Treynor, dan Jensen.
Irwan Kasse, Andi Mariani, Serly Utari, D Didiharyono
Investment can be defined as an activity to postpone consumption at the present time with the aim to obtain maximum profits in the future. However, the greater the benefits, the greater the risk. For that we need a way to predict how much the risk will be borne. Modelling data that experiences heteroscedasticity and asymmetricity can use the Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH) model. This research discusses the time series data risk analysis using the Value at Risk-Asymmetric Power Autoregressive Conditional Heteroscedasticity (VaR-APARCH) model using the daily closing price data of Bitcoin USD period January 1 2019 to 31 December 2019. The best APARCH model was chosen based on the value of Akaike's Information Criterion (AIC). From the analysis results obtained the best model, namely ARIMA (6,1,1) and APARCH (1,1) with the risk of loss in the initial investment of IDR 100,000,000 in the next day IDR 26,617,000. The results of this study can be used as additional information and apply knowledge about the risk of investing in Bitcoin with the VaR-APARCH model.
Since its founding in 2008, Bitcoin (financial code: BTC) has emerged as a digital currency in market cap and continues to attract investors and policymakers' attention. In recent years, BTC has high price volatility, a substantial increase in 2016, followed by a significant decline in 2018. Unlike stock markets, BTC is open for 24x7 dan has no closing period. It means everyone can trade it for any time. However, this flexibility carries investment risk. This research attempts to forecast BTC's price by considering the blockchain's information to minimize the risk. We employ Long-Short Term Memory (LSTM), the artificial Recurrent Neural Network (RNN) architecture. Its model can avoid long-term problems. The data used is BTC's price and blockchain information data from August 4, 2018, to January 21, 2020. The model with 20 neurons and 500 epochs has the smallest MSE value. Then a prediction has an accuracy rate of 91.07%.
Mohamed Salb, Ali Elsadai, Miodrag Živković, Nebojša Bačanin Džakula
Predicting the market behaviour is a crucial task for cryptocurrency investors. Based on the prediction, they make decisions that will either bring profit or loss. The prediction is typically involves the historical data that is used to forecast the future behaviour of the prices on the market. Prediction is based on the machine learning approach. The nature-inspired algorithms have been successfully applied in optimization of numerous machine learning models in the recent years. Swarm intelligence metaheuristics, a family of nature-inspired algorithms, have proven to be excellent optimizers not only in the machine learning domain, but in various other practical domains as well. This paper proposes one such approach, more precisely the enhanced version of the sine cosine algorithm to optimize the support vector machine, and use it to predict the cryptocurrency prices. The basic SCA was improved with a simple exploration mechanism, and then compared to other approaches executed on the same datasets. The results obtained from the performed experimental simulations indicate that the proposed method achieved better performances than other approaches included in the research.
Andreean Dharma Arisandi, Ferdiansyah Ferdiansyah, Linda Atika, Edi Surya Negara · 5 authors
Cryptocurrency adalah mata uang digital dimana transaksi dapat dilakukan dengan transaksi online. Salah satu jenisnya yaitu bitcoin. Bitcoin adalah salah satu mata uang elektronik yang bersifat desentralisasi (tidak terpusat) dan tidak diatur atau dijamin oleh otoritas pusat. Harga Bitcoin sangat ekuktuatif dan sering kali membuat resah pengguna dan investor Bitcoin. Oleh karena itu, diusulkan sebuah metode atau sistem prediksi harga Bitcoin dengan mempelajari pola dan tingkah laku data time series harga historisnya. Dalam Penelitian ini, kontribusi utamanya yaitu analisis sentimen yang dapat membedakan tweet positif dan negatif dari bitcoin di twitter dengan akurasi 80.00%. Dengan model LSTM yang dapat memprediksi harga Bitcoin pada hari berikutnya dengan mempertimbangkan harga historis dan skor sentimen positif dan negatif. Namun teknik ini memerlukan parameter yang tepat untuk mendapatkan hasil prediksi yang akurat. Hasil yang didapatkan dari penelitian ini, menunjukkan jika sistem yang akan dibangun nantinya dapat melihat nilai bitcoin dengan lebih baik lagi. Setelah di evaluasi dengan RMSE didapatkan nilai 335.201882 dengan epoch 10. Semakin kecil RMSE maka semakin baik performansi modelnya terhadap data testing
Rizky Parlika, Sunu Ilham Pradika, Amir Muhammad Hakim, Kholilul Rachman N.M
Teknologi Cryptocurrency saat ini sangat berkembang ditandai dengan banyaknya orang yang mau berpartisipasi untuk menjadi bagian di dalamnya. Salah satu Cryptocurrency yang terkenal adalah Bitcoin. Namun, bagi sebagian orang tentu tidak mengerti apa itu Bitcoin dan bagaimana cara kerjanya. Sehingga, hal itu membuat mereka ragu untuk ikut turut serta menjadi bagian dalam teknologi ini. Sehingga perlu dibuat sebuah analisis sentimen mengenai teknologi ini sehingga dapat memberi pengetahuan apa itu sesungguhnya Bitcoin. Melalui Twitter, analisis sentimen dapat dilakukan guna mencari tahu bagaimana pendapat banyak orang mengenai Bitcoin. Hal ini dapat dilakukan dengan memanfaatkan API yang disediakan oleh Twitter untuk mengumpulkan data berupa tweets. Kemudian, melakukan analisis sentimen menggunakan library Python untuk mengklasifikasikan suatu tweet menjadi positif, negatif, atau netral. Dari hasil klasifikasi menggunakan dataset yang berjumlah 3433 data didapatkan bahwa 41,3% diklasifikasikan positif, 44,9% netral, dan 13,7% negatif. Lalu, untuk visualisasi dari keseluruhan pendapat orang-orang mengenai Bitcoin dapat dibentuk dengan menggunakan Word Cloud sehingga hanya akan muncul kata-kata penting yang berhubungan dengan Bitcoin. Diharapkan setelah penelitian ini dilakukan dapat dilihat bagaimana pendapat orang-orang khususnya pengguna Twitter mengenai Bitcoin.
Abstract Electronic payments is something that is currently in high demand by investors today, but transactions are often constrained due to various problems, especially from third parties. For this reason, cryptocurrency emerged, which is one of the solutions for conducting electronic payment transactions. Some types of cryptocurrency that are most in demand by investors are bitcoin, ethereum, and ripple. The fluctuation value of cryptocurrency is very difficult to predict so that investors often experience losses when making transactions. This study aims to predict cryptocurrency prices such as bitcoin, ethereum and ripple using data mining algorithms. The data mining algorithm used in this prediction process is K-NN, Neural Network, SVM, Linear Regression, Random Forest and Decision Tree. Data mining modeling is done by dividing the dataset into each type of commodity and then analyzed using each algorithm. The results of this study indicate that the accuracy value obtained from some data mining algorithms is good enough to predict cryptocurrency prices
Akhmad Ridho Ashariansyah, Nur Iriawan, Adatul Mukarromah
Perdagangan merupakan sebuah kegiatan tukar menukar barang atau jasa yang dilakukan manusia untuk memenuhi kebutuhan hidup. Perkembangan sistem pembayaran yang dilakukan umat manusia dimulai dari sistem pertukaran barang atau barter, logam mulia seperti emas dan perak, koin, uang kartal, uang giral, dan uang elektronik (e-money). Selain itu, muncul cryptocurrency yaitu mata uang digital dengan sistem kriptografi dalam setiap proses transaksi datanya tanpa melalui pihak ketiga. Namun cryptocurrency memiliki kelemahan perubahan harga yang sangat besar dalam waktu yang sangat cepat. Pergerakan harga yang berfluktuasi sangat tinggi tersebut menyebabkan kekhawatiran pemilik aset kripto mengalami kerugian, maka pemodelan harga cryptocurrency sangat penting untuk dilakukan agar meminimalisir risiko kerugi-an. Berdasarkan pola pergerakan harga yang berfluktuasi sangat tinggi yang berbeda tiap periodenya maka dilakukanlah pemodelan harga cryptocurrency mengguna-kan Markov Switching Autoregressive (MSAR) dengan algoritma Expectation Maximization. Selain meminimkan risiko kerugian, penelitian ini juga ingin mengetahui model MSAR mana yang mampu mengklasifikasikan state dengan baik. Data yang digunakan yaitu harga harian cryptocurrency dengan nilai kapitalisasi pasar terbesar dari September 2015 hingga Januari 2020. Hasil penelitian menunjukkan bahwa bitcoin dan ripple menggunakan model MS(8)AR(1), sedangkan ethereum menggunakan model MS(9)AR(1). Selain itu model MS(8)AR(1) pada data ripple menjadi model dengan nilai akurasi tertinggi dibandingkan model lainnya dalam hal klasifikasi state.
Price fluctuation is a necessity in every business, including the price of Bitcoin. Therefore humans need a device or application that can assist in making predictions quickly and accurately. Deep Learning can be used to make predictions which include setting the parameters used during training, choosing the best parameters for prediction, and choosing the prediction results with the smallest error level in the actual situation. This study performs a Bitcoin price prediction using Long Short Term Memory (LSTM). This study uses quantitative calculations on the prediction results. Measurement of accuracy is done by testing the previous price (back testing) and calculating the average error using RMSE and MAPE. The method for generating predictions is LSTM as a type of Recurrent Neural Network (RNN) which has the advantage of using long-term memory in handling time series data. LSTM implementation using Python is used for price forecasting with stages starting from data collection and normalization, input and output modeling. The result of this research is a prediction of Bitcoin price with an accuracy rate of 97.48% based on the best model with input layer 2, the number of epochs 100, the number of hidden layers 100, and activation using Softmax. These price predictions can be used as a reference and consideration for traders to create trading strategies and run them automatically on the digital currency market.