Ryan Anthony, Jechenthia Maria Taso, Stephen Yohanes Christopher, Ridhwan Ardiyansyah
This study aims to analyze and compare the performance of three algorithms, namely Support Vector Regression (SVR) with a linear kernel, XGBoost, and LightGBM, in predicting the Price of Ethereum cryptocurrency based on daily historical data. The study uses Ethereum Price data in USD for the last five years obtained from the investing.com website. The variables used are Close, Open, High, and Low Prices. The study uses two data splitting scenarios: 80% training data and 20% testing data, and 70% training data and 30% testing data. This study also uses time step variations to test the effect of time dependency on algorithm performance. The results indicate that the LightGBM algorithm has the best performance compared to the other two algorithms with an average MAE value for High Price of 75.486, SVR has a value of 115.590, and XGBoost has a value of 77.314 in the 80% training data and 20% testing data split. In the 70% training data and 30% testing data split, the LightGBM algorithm still excels with an average MAE value for High Price of 78.228, SVR of 104.356, and XGBoost of 83.573. Other evaluations such as RMSE and R2 also show the superiority of the LightGBM algorithm. For the required computation time, the SVR algorithm outperforms the other two algorithms.
Perkembangan cryptocurrency, khususnya ethereum telah menarik perhatian banyak kalangan karena volatilitas harga yang tinggi karena dipengaruhi oleh faktor-faktor ekonomi dan sentimen pasar. Penelitian ini bertujuan untuk menganalisis hubungan antara sentimen pengguna twitter dengan fluktuasi harga ethereum menggunakan teknologi Natural Language Processing (NLP) dan Machine Learning (ML). Metode yang digunakan mencakup pengumpulan data tweet tentang ethereum, pra-pemrosesan data, serta analisis sentimen menggunakan algoritma Naïve Bayes. Data harga ethereum diperoleh dari sumber informasi kripto. Hasil analisis menunjukkan bahwa meskipun terdapat fluktuasi antara sentimen positif dan negatif di twitter, korelasi antara sentimen publik dan pergerakan harga ethereum sangat lemah, dengan nilai koefisien korelasi yang rendah
Ni Putu Eka Apriyanthi, Civica Moehaimin Dhewanty, Putu Desiana Wulaning Ayu, I Made Riyan Adi Nugroho · 5 authors
Konteks penelitian ini didasari oleh meningkatnya kerentanan keamanan yang signifikan dalam ekosistem decentralized finance (DeFi) dan blockchain, khususnya terkait dengan aktivitas kecurangan yang semakin kompleks dan berbiaya tinggi. Metode deteksi tradisional tidak lagi memadai untuk menangani volume transaksi yang masif serta karakteristik dataset yang menunjukkan ketidakseimbangan kelas. Oleh karena itu, penelitian ini berfokus pada evaluasi dan perbandingan kinerja tiga algoritma machine learning utama Regresi Logistik, Random Forest, dan XGBoost untuk mengidentifikasi secara akurat aktivitas kecurangan dalam transaksi blockchain. Data yang digunakan adalah dataset transaksi Ethereum dari platform Kaggle. Isu ketidakseimbangan kelas dalam data diatasi melalui implementasi metodologi SMOTE (Synthetic Minority Over-sampling Technique). Kinerja setiap model dinilai secara komprehensif menggunakan metrik presisi, recall, F1-score, dan Area Under the Receiver Operating Characteristic Curve (ROC-AUC) pada data pengujian. Hasil penelitian menunjukkan superioritas XGBoost di antara ketiga algoritma, dengan mencapai akurasi 99,46%, presisi 99,69%, recall 97,86%, dan skor ROC-AUC 99,97% (25). Keunggulan ini diperkuat oleh keberhasilan XGBoost dalam meminimalkan false positives, yakni hanya 1 kejadian. Kinerja yang melampaui model Random Forest dan Regresi Logistik ini mengindikasikan bahwa metodologi gradient boosting sangat efektif dalam mendeteksi pola perilaku kecurangan yang rumit. Secara keseluruhan, temuan studi ini memberikan kontribusi yang substansial terhadap pengembangan kerangka kerja deteksi kecurangan yang otonom dan tangguh.
Abstrak - Tingginya volatilitas Bitcoin mendorong kebutuhan model prediktif presisi untuk landasan keputusan investasi optimal. Studi ini mengimplementasikan algoritma Random Forest guna memprediksi pergerakan harga berdasarkan 1.766 data historis harian (Januari 2020-Oktober 2024). Pra-pemodelan diawali analisis korelasi Pearson dengan ambang batas 0.5, yang menyeleksi fitur High (0,999), Open (0,998), dan Low (0,997) sebagai prediktor akibat asosiasi kuat, sementara Volume dan Change% dieliminasi karena kontribusi minimal. Pengujian membandingkan dua strategi pembagian data: partisi acak dan tidak acak (rasio 80:20), menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Akurasi. Hasil empiris menunjukkan partisi acak unggul (MAPE 1,34%; Akurasi 98,66%) dibanding partisi tidak acak (MAPE 1,7%; Akurasi 98,3%). Konklusi menegaskan efektivitas signifikan algoritma Random Forest, dengan keberhasilan bergantung pada ketepatan seleksi fitur dan adaptasi strategi pembagian data terhadap karakteristik dataset.Kata kunci: Bitcoin; Random Forest; Prediksi Harga; Korelasi Pearson; MAPE; Abstract - The high volatility of Bitcoin necessitates precise predictive models for optimal investment decision-making. This study implements the Random Forest algorithm to predict price movements based on 1,766 daily historical data points (January 2020 - October 2024). Pre-modeling began with Pearson correlation analysis with a threshold 0.5, which selected the High (0.999), Open (0.998), and Low (0.997) features as predictors due to their strong association, while Volume and Change% were eliminated due to their minimal contribution. The testing compared two data splitting strategies: random and non-random (80:20 ratio), using the Mean Absolute Percentage Error (MAPE) and Accuracy metrics. Empirical results showed that random partitioning outperformed non-random partitioning (MAPE 1.34%; Accuracy 98.66% compared to MAPE 1.7%; Accuracy 98.3%). The conclusion confirms the significant effectiveness of the Random Forest algorithm, with success depending on the accuracy of feature selection and adapting the data splitting strategy to the characteristics of the dataset. Keywords: Bitcoin; Random Forest; Price Prediction; Pearson Correlation; MAPE;
Ethereum, sebagai salah satu aset kripto utama, memiliki volatilitas harga yang tinggi, sehingga menciptakan kebutuhan akan model prediksi yang akurat untuk membantu pengambilan keputusan investasi. Penelitian ini bertujuan untuk mengimplementasikan kinerja dua model machine learning populer, yaitu Gated Recurrent Unit (GRU) yang merupakan model deep learning untuk data sekuensial, dan Extreme Gradient Boosting (XGBoost) yang merupakan model ensemble. Data yang digunakan adalah data historis harga harian Ethereum yang mencakup fitur Open, High, Low, Close, Volume (OHLCV). Metode penelitian meliputi tahap pra-pemrosesan data seperti normalisasi Min-Max Scaler dan pembagian data dengan rasio 80% data latih dan 20% data uji. Evaluasi kinerja kedua model diukur menggunakan metrik Root Mean Squared Error (RMSE) dan R-squared (R²). Hasil pengujian menunjukkan bahwa model GRU menghasilkan prediksi yang lebih baik, mencapai nilai RMSE 101.37 dan R² 0.9718, sedangkan model XGBoost memperoleh nilai RMSE 107.29 dan R² 0.9656. Hal ini mengindikasikan bahwa kemampuan GRU dalam menangkap pola dan dependensi temporal pada data deret waktu lebih unggul untuk kasus prediksi harga Ethereum. Kesimpulan dari penelitian ini adalah model GRU lebih efektif dan dapat diandalkan untuk memprediksi harga Ethereum dibandingkan XGBoost dalam penelitian ini.
Cryptocurrency, atau mata uang kripto, merupakan bentuk aset digital yang memanfaatkan teknologi kriptografi untuk mengamankan transaksi, mengontrol penciptaan unit-unit baru, serta memverifikasi transfer aset yang ada. Mata uang kripto yang pertama kali diperkenalkan adalah Bitcoin. Salah satu keunikan dari cryptocurrency, termasuk Bitcoin, adalah sifatnya yang terdesentralisasi, artinya tidak diatur oleh lembaga pusat seperti bank atau pemerintah, melainkan menggunakan teknologi blockchain. Perubahan harga Bitcoin dapat terjadi secara cepat dan drastis dalam waktu singkat, sehingga sulit diprediksi secara akurat. Untuk menangani permasalahan prediksi harga pada aset yang sangat volatil seperti Bitcoin, digunakan berbagai pendekatan algoritma pemodelan data, salah satunya adalah algoritma Long Short-Term Memory (LSTM). Berdasarkan hasil penelitian dapat disimpulkan bahwa time step harian (1 hari) menghasilkan nilai RMSE terkecil, yaitu 1823.24 atau 2.86% dari rata-rata nilai aktual.
Tri Stiyo Famuji, Alya Masitha, Maulana Muhammad Jogo Samodro, Galih Pramuja Inngam Fanani · 5 authors
Perkembangan teknologi genomik meningkatkan urgensi penanganan kerentanan sistem terpusat dalam mengelola data genetik manusia. Penelitian ini merancang sistem terdesentralisasi berbasis blockchain dan IPFS untuk meningkatkan keamanan, integritas, dan aksesibilitas data. Blockchain digunakan untuk pencatatan transaksi yang immutable dan manajemen akses dinamis melalui smart contract, sedangkan IPFS menyediakan penyimpanan terdistribusi berbasis hash kriptografik (CID). Desain hybrid memisahkan penyimpanan data mentah (terenkripsi homomorfik) di IPFS dengan manajemen akses di blockchain Ethereum. Antarmuka pengguna berbasis React.js dan Web3.js memungkinkan pengunggahan data terenkripsi, permintaan akses berbasis peran, dan pemantauan audit sesuai standar GDPR/HIPAA. Pengujian membuktikan sistem ini efektif mencegah akses ilegal dan memastikan keterlacakan data. Tantangan seperti efisiensi energi dan kepatuhan regulasi diatasi melalui sharding, protokol layer-2, serta mekanisme penghapusan data selektif. Kerangka kerja ini mendukung kolaborasi riset genomik lintas institusi secara aman. Penelitian lanjutan akan difokuskan pada optimasi efisiensi komputasi dan perluasan skala data.
Volatilitas pasar yang tinggi serta potensi keuntungan besar dari cryptocurrency menjadikan prediksi harga sebagai topik penelitian yang menarik. Penelitian ini bertujuan untuk memprediksi harga cryptocurrency Stellar (XLM) dengan menerapkan metode Deep Learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Data yang digunakan mencakup harga harian XLM selama beberapa tahun terakhir, serta indikator teknikal dan aktivitas perdagangan. Model LSTM dan GRU dievaluasi berdasarkan akurasi dalam memprediksi harga XLM menggunakan metrik MAPE, RMSE, dan MSE. Hasil menunjukkan bahwa meskipun keduanya mampu menangkap pola tren jangka pendek, model GRU memberikan hasil yang lebih unggul. GRU mencatat MAPE sebesar 3.6164%, RMSE sebesar 0.0206, dan MSE sebesar 0.0004. Sementara itu, LSTM mencatat MAPE sebesar 4.5638%, RMSE sebesar 0.0244, dan MSE sebesar 0.0005. Temuan ini menunjukkan bahwa GRU lebih efektif dalam memodelkan kompleksitas dan non-linearitas data harga XLM dibandingkan LSTM. Dengan demikian, GRU dapat dipertimbangkan sebagai metode yang lebih unggul dalam prediksi harga cryptocurrency. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan model prediksi yang lebih akurat serta membantu pengambilan keputusan investasi yang lebih bijak. The high market volatility and significant profit potential of cryptocurrencies have made price prediction a compelling area of research. This study aims to predict the price of Stellar (XLM), a widely recognized cryptocurrency, by applying deep learning methods, namely Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). The dataset includes daily XLM prices over the past few years, along with technical indicators and trading activity data. The LSTM and GRU models are evaluated based on their accuracy in predicting XLM prices using metrics such as MAPE, RMSE, and MSE. The results show that while both models are capable of capturing short-term trends, the GRU model outperforms LSTM. GRU achieved a MAPE of 3.6164%, RMSE of 0.0206, and MSE of 0.0004, whereas LSTM recorded a MAPE of 4.5638%, RMSE of 0.0244, and MSE of 0.0005. These findings indicate that GRU is more effective in modeling the complexity and non-linearity of XLM price data compared to LSTM. Therefore, GRU can be considered a superior approach for cryptocurrency price prediction. This study is expected to contribute to the development of more accurate forecasting models and to support better investment decision-making.
Bitcoin telah menunjukkan volatilitas harga yang tinggi. Hal ini membawa risiko besar bagi investor, tetapi juga memberikan peluang besar bagi investor. Salah satu metode yang menarik untuk prediksi harga Bitcoin yang memiliki volatilitas tinggi adalah algoritma LSTM, sebuah varian RNN yang dapat memproses data deret waktu serta mengingat informasi jangka panjang dan pendek secara efektif. Penelitian ini merupakan pembaruan dari penelitian-penelitian sebelumnya yang umumnya hanya menggunakan satu lapisan LSTM. Dalam penelitian ini, dilakukan perbandingan antara dua skenario model LSTM untuk melihat sejauh mana arsitektur dan konfigurasi model mempengaruhi performa prediksi harga Bitcoin. Berdasarkan hasil penelitian yang sudah dilakukan pada Skenario 1 dengan menggunakan algoritma LSTM Double Layer 128, 64 neuron, 100 epoch, 32 batch size, data latih 80%, data uji 20%, dan optimasi adam, lebih baik dibandingkan Skenario 2 yang menggunakan algoritma LSTM Single Layer 50 neuron, 100 epoch, 32 batch size, data latih 80%, data uji 20%, dan optimasi adam. Skenario 1 menunjukkan tingkat akurasi yang cukup baik dalam memprediksi harga Bitcoin. Performa model algoritma Skenario 1 dievaluasi menggunakan metrik MSE dengan nilai 0.00044, RMSE dengan nilai 0.02119, MAE dengan nilai 0.01586, MAPE dengan nilai 2.51% dan R2 dengan nilai 0.98. Hubungan antara prediksi harga dan evaluasi kinerja ini penting, karena prediksi harga yang akurat menjadi dasar untuk menghitung potensi keuntungan dan risiko dari investasi Bitcoin. Dari hasil prediksi harga Bitcoin yang dihasilkan dari model Skenario 1, kemudian digunakan untuk mengevaluasi kinerja aset Bitcoin selama periode 2018–2024. Rata-rata Return pertahun Bitcoin sebesar 83.07%. Volatilitas sebesar 82.837. Sharpe Ratio sebesar 1.003 menunjukkan bahwa return yang diperoleh relatif sebanding dengan risiko yang diambil, yang dianggap cukup baik dalam konteks investasi berisiko tinggi.
This study discusses phishing detection on the Ethereum network using machine learning methods, specifically Graph Convolutional Networks (GCNs) and Enhanced Graph Attention Networks (EGAT). The background of this research is based on the increasing number of phishing attacks in the blockchain ecosystem that can threaten the financial security of users. The research aims to analyze the incidence rate of phishing attacks and develop effective and efficient detection methods. The methodology includes data collection from Ethereum transactions and phishing activities, followed by feature extraction, machine learning model training, and evaluation using metrics such as accuracy, precision, recall, and F-score. The identified research gap is the lack of focus on early-stage phishing detection in the Ethereum network and the suboptimal performance of existing methods in recognizing complex transaction patterns. The results indicate that EGAT achieves an accuracy of 93.6%, outperforming GCNs, which reach 91.2%. The conclusion of this research is that the EGAT method is superior in detecting phishing activities, providing significant contributions to security in the Ethereum network.
Bitcoin merupakan salah satu aset digital yang saat ini memiliki fluktuasi harga yang sangat signifikan serta berpotensi untuk terus berkembang. Pada tahun 2024 harga bitcoin mencetak rekor baru, namun tantangan regulasi dan skalabilitas tetap menjadi perhatian khusus yang harus diatasi. Harga bitcoin dapat naik tinggi namun juga dapat turun dibawah, oleh karena itu diperlukan metode yang sekiranya mendekati tepat untuk memprediksi harga bitcoin di masa depan. Tujuan dari penelitian ini yaitu mencari model prediksi dengan analisis time series. Data historis harga bitcoin dianalisa menggunakan orange data mining untuk membangun model ARIMA yang optimal. Berdasarkan evaluasi model dengan parameter ARMA (1,0,0) dan dengan jumlah lipatan validasi sebanyak 10 didapatkan hasil RMSE sebesar 1627,0 MAE sebesar 1162,6, dan MAPE sebesar 0,019. Hasil ini juga tidak jauh berbeda dengan parameters ARMA (1,0,0) (in-sample), sehingga model ARIMA ini dapat digunakan untuk memprediksi harga bitcoin di masa depan. Kata Kunci: Prediksi, Harga Bitcoin, ARIMA, Time Series
Studi ini membahas metode konsensus di cryptomining, serangan umum, dan pencegahannya. Blockchain awal menggunakan Proof of Work (PoW), yang tidak efisien energi dan rentan keamanan. Proof of Stake (PoS) dikembangkan untuk meningkatkan desentralisasi dan efisiensi energi. Protokol seperti Proof-of-Search (PoS) dan Proof-of-Publicly Verifiable Randomness (PoPVR) menawarkan alternatif PoW, mengatasi penipuan dan serangan denial-of-service. Penelitian ini juga mengevaluasi perilaku penambangan strategis dan metode deteksi serta pencegahan serangan. Model konsensus hibrida, seperti Hybrid PoW-PoS, menggabungkan kekuatan PoW dan PoS untuk melawan serangan mayoritas. Temuan menekankan perlunya keamanan yang kuat dan pemantauan berkelanjutan untuk mencegah aktivitas jahat dan memastikan keadilan serta keberlanjutan penambangan kripto. Makalah ini mengumpulkan analisis dari berbagai jurnal untuk meningkatkan keamanan dan efisiensi penambangan kripto.
Alvin Limawan Susanto, Ni Wayan Sumartini Saraswati, Made Wahyu Adhiputra, I Dewa Made Krishna Muku
Mata uang kripto Bitcoin di Indonesia menjadi salah satu trend dan menjadi investasi mata uang virtual yang sangat menjanjikan dikarenakan harganya yang terus naik secara signifikan ditambah Bank Indonesia melegalkan penggunaan mata uang kripto sabagai aset yang dapat di perjual belikan secara legal, sehingga saya sebagai peneliti dalam jurnal ini melakukan penelitain mengunakan metode Linear Regresion yang bertujuan memprediksi harga Bitcoin dan membandingkannya dengan data aktual bitcoin. Linear Regresion adalah suatu proses yang menggunakan data time series yang dimana dalam data tersebut akan dibuat perbadingan antara data aktual dan data prediksi. Persaman yang diperoleh antara data actual dan perdiksi memiliki selisih 0.002678606940218723% dari data aktual .Pengujian keakurasian terhadap hasil prediksi yang diperoleh menggunakan R- squared memiliki nilai sebesar 0.9986666033001783. prediksi harga bitcoin mengunakan metode Linear Regresion dapat simpulkan memiliki keakurasian yang sangat baik , terlihat dari R- squared yang mendekati 1 pada pengujiannya.
Muhammad Fajri Ramadhan, Dewi Lestari, Ulfa Khaira
Investing has become a popular activity among the public as it can increase returns from such activities. Currently, there are various investment instruments available such as stocks, bonds, gold, property, and the latest is cryptocurrency. Since its inception in 2008, Bitcoin has emerged as the leading digital currency in terms of market capitalization and continues to attract investor attention. The first Bitcoin transaction occurred in January 2009. More than two years later, various reports estimated that Bitcoin circulation had exceeded 6,5 million with around 10000 users. This has led to a growing number of people interested in investing in Bitcoin. Based on these facts, it is important to predict Bitcoin prices to understand how Bitcoin prices will develop in the future. By predicting future Bitcoin prices, investors can estimate Bitcoin prices from the predicted prices in order to avoid making mistakes in investing and thus prevent significant potential losses. One way to predict Bitcoin prices is by using the Long Short-Term Memory (LSTM) method. One of the best models with a composition of 50 neurons and 400 epochs using Adam optimization, produce RMSE of 1027 and MAPE 1,76%, which mean the forecasting model has highly accurate forecasting. Then, to facilitate non-programmer users in forecasting, a web-based Graphical User Interface (GUI) is built using the Streamlit library.
Di era digital, Bitcoin telah muncul sebagai salah satu mata uang digital yang paling banyak dibicarakan karena volatilitas dan potensinya sebagai sarana investasi. Namun, harga yang fluktuatif juga menimbulkan kesulitan ketika mencoba membuat prediksi yang akurat. Tujuan penelitian ini adalah untuk menganalisis dan meramalkan harga Bitcoin dengan menggunakan metode ARIMA (AutoRegressive Integrated Moving Average). Oleh karena itu, model ARIMA digunakan untuk mengekstrak mean dan varians dari data harga Bitcoin. Hasil penelitian menunjukkan bahwa model ARIMA dapat digunakan secara efektif untuk memprediksi harga Bitcoin dengan menghasilkan nilai MSE sebesar 54791638.70 dimana lebih baik dari model SARIMAX. Penerapan model ARIMA membantu para analis dan investor dalam memahami tren harga Bitcoin dan membuat keputusan investasi yang lebih tepat.
Joshua Evan Savero, Viktor Handrianus Pranatawijaya, Efrans Christian
Media sosial X menjadi gudang data yang dapat dimanfaatkan untuk memperoleh wawasan mengenai sentimen publik dan potensi yang berdampak pada harga cryptocurrency. Dalam beberapa tahun terakhir, bitcoin menjadi pusat perhatian sebagai bentuk investasi yang menarik bagi para pelaku pasar. Bitcoin (BTC) sering kali ditandai dengan tingkat volatilitas yang tinggi dan harganya menunjukkan kenaikan dan penurunan yang ekstrem dalam jangka waktu yang singkat. Dengan menganalisis tweet pengguna media sosial X, penelitian ini bertujuan untuk meneliti hubungan antara sentimen yang diungkapkan oleh pengguna media sosial X dan perubahan harga bitcoin. Data set yang digunakan dalam penelitian ini yaitu dataset pelatihan model yang terdapat di laman Kaggle dan dataset pengujian yang dikumpulkan dari tweet media sosial X berdasarkan tanggal terjadinya golden cross dan death cross. Data set akan melalui teknik preprocessing data, klasifikasi sentimen positif, negatif, dan netral menggunakan VADER. Pembangunan model menggunakan algoritma naïve bayes dan support vector machine. Hasil penelitian ini memperoleh model support vector machine memiliki kinerja terbaik terhadap keakuratan model dalam klasifikasi sentimen dengan accuracy sebesar 95.92%, ketepatan model dalam memprediksi nilai positif dengan tingkat precision sebesar 95.89%, tingkat usaha dalam menemukan informasi kembali dengan tingkat recall sebesar 95.92%, dan presentasi nilai bobot dari nilai precision dengan nilai recall pada f1-score sebesar 95.89%. Akan tetapi, dalam memprediksi sentimen lima dataset pengujian yang diberikan menggunakan model yang telah dilatih ditemukan algoritma naïve bayes memiliki persentase lebih tinggi yaitu 80% dalam memperoleh hasil yang sesuai antara sentimen positif untuk kondisi golden cross dan sentimen negatif untuk kondisi death cross. Social media X is a data warehouse that can be utilized to gain insight into public sentiment and its potential impact on cryptocurrency prices. In recent years, Bitcoin has become the center of attention as an attractive form of investment for market players. Bitcoin (BTC) is often characterized by high levels of volatility and its price exhibits extreme rises and falls over short periods of time. By analyzing the tweets of social media user X, this study aims to examine the relationship between the sentiment expressed by social media user X and changes in Bitcoin prices. The dataset used in this research is the model training dataset found on the Kaggle page and the testing dataset collected from X's social media tweets based on the dates of the golden cross and death cross. The dataset will go through data preprocessing techniques, classifying positive, negative and neutral sentiment using VADER. Model construction uses the Naïve Bayes algorithm and Support Vector Machine. The results of this research show that the Support Vector Machine model has the best performance regarding model accuracy in sentiment classification with an accuracy of 95.92%, model accuracy in predicting positive values with a precision level of 95.89%, level of effort in finding information again with a recall rate of 95.92%, and presentation of the weighted value of the precision value with the recall value on the f1-score of 95.89%. However, in predicting the sentiment of the five test datasets provided using the trained model, it was found that the Naïve Bayes algorithm had a higher percentage, namely 80%, in obtaining results that matched positive sentiment for the golden cross condition and negative sentiment for the death cross condition.
Febriansyah Febriansyah, Alun Sujjada, Falentino Sembiring
Cryptocurrency is a digital currency made from sequence code or called blockchain, one of the cryptocurrencies is bitcoin. Prediction is a process that projects or imagines what might happen in the future based on data in the past or factors that influence the current situation. Bitcoin price prediction uses a deep learning approach with the Long Short Term Memory method. Long Short-Term Memory is a type of model from the Recurrent Neural Network (RNN) algorithm, a method designed to process data and can overcome the problem of price movements that have long-term dependencies that cannot be handled by traditional RNN models, the LSTM model has the ability “Remembers” information over long periods of time, so as to recognize patterns and trends. In this study, the prediction period used a dataset from 12 December 2020 to 14 April 2024. The evaluation results for the RMSE method for train data were 17318.40 and for test data were 27921.84 and for the MAPE method for train data it was 3.24% and for test data it was 3.24%. 5.36%. This shows that the RMSE and MAPE values in the data train are relatively small because they are vulnerable to the bitcoin price being too wide.
Sudriyanto Sudriyanto, Mochammad Faid, Kamil Malík, Ahmad Supriadi
Amid the highly volatile fluctuations in the cryptocurrency market, the ability to accurately predict Bitcoin prices becomes crucial for investors and financial analysts. This study aims to develop a predictive model using Long Short-Term Memory (LSTM) Neural Networks, a specific form of recurrent neural network, to predict Bitcoin prices. Historical data on daily closing prices of Bitcoin from 2015 to 2023 was used to train and test the model. Following data preprocessing, which included normalization and the creation of a time series dataset, the LSTM model was constructed with two LSTM layers and two dense layers to enhance the predictive analysis. The model was trained with the data split into 80% for training and 20% for testing. Results show that the LSTM model was able to produce fairly accurate predictions with a low loss value on the test data. Further evaluation through comparison with baseline models showed significant improvements in predictive accuracy. This research demonstrates the potential application of advanced machine learning techniques in financial analysis, particularly in predicting the prices of highly volatile assets like Bitcoin. With continuous improvements to the model architecture and parameter optimization, Bitcoin price predictions could become more reliable, helping stakeholders make more informed investment decisions.
Analisis sentimen terhadap cryptocurrency telah menjadi topik penting dalam riset dan pengembangan di bidang keuangan dan teknologi informasi. Twitter, sebagai platform media sosial yang populer, menjadi sumber data yang berharga untuk memahami sentimen pengguna terhadap cryptocurrency. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap cryptocurrency berdasarkan data dari Twitter menggunakan algoritma Naive Bayes dan Decision Tree. Metode yang digunakan melibatkan pengumpulan data dari Twitter yang berisi percakapan terkait cryptocurrency. Data tersebut kemudian dibersihkan, diproses, dan dianalisis menggunakan algoritma Naive Bayes dan Decision Tree. Naive Bayes digunakan untuk mengklasifikasikan sentimen menjadi positif, negatif, atau netral berdasarkan fitur-fitur teks dari tweet. Sementara itu, Decision Tree digunakan untuk membangun model prediktif yang dapat mengidentifikasi pola sentiment terhadap cryptocurrency..Hasil penelitian menunjukkan bahwa akurasi Naïve Bayes mencapai 80.222%, sedangkan Decision Tree mencapai 65.03%. Dari hasil ini, dapat disimpulkan bahwa Naïve Bayes lebih baik dalam mengklasifikasikan text mining dengan akurasi tertinggi. Perbandingan antara kedua metode menunjukkan perbedaan akurasi yang tidak signifikan, yaitu untuk Naïve Bayes dengan akurasi 80.22%, Presisi 96.90%, dan Recall 62.54%, serta Decision Tree dengan akurasi 65.03%, Presisi 52.02%, dan Recall 98.94%. Analisis opini publik terhadap cryptocurrency mengungkapkan bahwa masyarakat Indonesia cenderung memberikan tanggapan positif terhadap mata uang digital ini setelah dilakukan penelitian ini.
ABSTRAK Penelitian ini berfokus pada masalah keamanan jaringan yang menjadi krusial bagi perusahaan teknologi blockchain dan Non-Fungible Token (NFT) yang rentan terhadap serangan siber seperti DDoS, injeksi SQL, dan malware. Serangan ini tidak hanya menyebabkan kerugian finansial tetapi juga merusak reputasi dan kepercayaan pengguna. Suricata, sebagai sistem deteksi dan pencegahan intrusi open-source, menawarkan berbagai fitur untuk memonitor dan menganalisis lalu lintas jaringan secara real-time. Penelitian ini mengevaluasi efektivitas Suricata dalam mendeteksi ancaman pada web server NFT melalui pendekatan eksperimental. Pengujian dilakukan dengan metode scanning port, web penetration testing, DDoS, dan identifikasi kerentanan sistem web server menggunakan alat seperti NMap, Hping3, Nikto, dan Metasploit. Hasil menunjukkan bahwa Suricata mampu mencatat aktivitas mencurigakan dan mencegah anomali dengan integrasi firewall PFsense. Implementasi Suricata memberikan informasi deteksi serangan web scanning, meskipun tidak memiliki aturan shared object seperti perangkat lunak intrusi lainnya. Penelitian ini memberikan rekomendasi bagi pengembang dan operator platform NFT untuk melindungi aset digital mereka dari serangan siber, serta berkontribusi pada peningkatan keamanan jaringan di sektor NFT. ABSTRACT This research focuses on the critical issue of network security for blockchain technology and Non-Fungible Token (NFT) companies, which are vulnerable to cyberattacks such as DDoS, SQL injection, and malware. These attacks not only cause financial losses but also damage reputation and user trust. Suricata, an open-source intrusion detection and prevention system, offers various features to monitor and analyze network traffic in real-time. This study evaluates the effectiveness of Suricata in detecting threats on NFT web servers through an experimental approach. Testing methods include port scanning, web penetration testing, DDoS, and identifying web server vulnerabilities using tools such as NMap, Hping3, Nikto, and Metasploit. The results show that Suricata can log suspicious activities and prevent anomalies when integrated with the PFsense firewall. While Suricata provides information on web scanning attacks, it lacks shared object rules found in other intrusion software. This research offers recommendations for NFT platform developers and operators to protect their digital assets from cyberattacks and contributes to improving network security in the NFT sector. Thus, this study is highly relevant in the digital era, where information and data security are top priorities for business continuity and user privacy protection.
Ni Ketut Novia Nilasari, Made Sudarma, Nyoman Gunantara
Semakin pesatnya perkembangan teknologi saat ini, dapat memudahkan seluruh kegiatan manusia, sehingga mengakibatkan seluruh aspek tidak bisa lepas dari teknologi tanpa terkecuali bidang keuangan. Dengan berkembangnya teknologi diiringi juga dengan dikenalnya berbagai instrument investasi. Setiap melaksanakan investasi tentu akan selalu ada berbagai resiko yang menyertainya termasuk investasi cryptocurrency salah satunya bitcoin. Tidak seperti mata uang konvensional, bitcoin bersifat tidak desentralisasi sehingga perkembangan harganya tidak dalam pengawasan atau kontrol pihak manapun, dimana jika uang konvensional ada lembaga tertentu yang mengawasi dan mengontrol pergerakannya. Hal tersebut mengakibatkan harga nilai tukar dari bitcoin menjadi tidak konsisten atau tidak stabil. Dengan terdapatnya metode prediksi, pengguna bitcoin bisa menetapkan waktu yang pas untuk menjalankan transaksi. Penelitian ini memiliki tujuan guna memprediksi harga bitcoin dengan menggunakan metode LSTM serta Bi-LSTM. Berdasarkan hasil penelitian diperoleh hasil prediksi terbaik menggunakan metode Bi-LSTM dengan RMSE 1482.73 sedangkan dengan LSTM menghasilkan RMSE sebesar 1768.69 sehingga dapat disimpulkan dari sisi akurasi Bi-LSTM memberikan hasil yang lebih akurat hanya saja dengan Bi-LSTM membutuhkan resourse yang lebih banyak.
ABSTRAKPenelitian ini bertujuan untuk menentukan pengaruh pergerakan harga global komoditassektor energi, terutama Harga Minyak Mentah dan Harga Gas Alam terhadap pergerakan hargabitcoin. Penelitian ini lebih fokus pada Criptocurrency Bitcoin. Metode pengambilan data yangdigunakan dalam penelitian ini adalah metode kuantitatif dengan teknik purposive sampling, danpengumpulan data dilakukan dengan menggunakan data sekunder secara periode mulai dari Juni2019 sampai dengan Juli 2022. Teknik analisis data yang digunakan oleh penulis adalah AnalisisRegresi Linier Berganda. Hasil dari penelitian ini menunjukkan bahwa harga global komoditassektor energi, terutama Minyak Mentah dan Gas Alami, memiliki pengaruh positif terhadappergerakan harga Bitcoin.Kata kunci : Cryptocurrency, Bitcoin, Minyak Mentah, Gas AlamABSTRACTThe aim of this study is to determine the influence of global energy sector commodity pricemovements, especially Crude Oil and Natural Gas Prices, on the movement of Cryptocurrencyprices. This study focuses primarily on the Cryptocurrency Bitcoin. The data collection method inthis research is quantitative with purposive sampling technique. The researchers use secondarydata from June 2019 to July 2022 weekly. The sample size for this study consists of 165 samples.Secondary data sources are obtained through the finance.yahoo.com website. Technique analysisanalysis in this research is Multiple Linear Regression. The results of this study show that globalenergy sector commodity prices, especially Crude Oil and Natural Gas, have a positive influenceon the movement of Bitcoin prices.Keyword : Cryptocurrency, Bitcoin, Crude Oil, Natural Gas