Risqy Pradana Putra, Fara Triadi -, Ahmad Rofiq Hakim
Perkembangan teknologi informasi mendorong penerapan sistem yang lebih efisien dan transparan dalam manajemen gudang. Penelitian ini bertujuan merancang sistem manajemen gudang berbasis QR Code dan Blockchain untuk meningkatkan akurasi, keamanan, dan efisiensi pelacakan barang. Sistem mengintegrasikan mikrokontroler ESP32, modul GM65 barcode scanner, printer thermal, dan UPS sebagai sumber daya mandiri. QR Code digunakan untuk identifikasi dan pelacakan barang secara real-time, sedangkan Blockchain memastikan data transaksi tersimpan secara aman, transparan, dan tidak dapat diubah. Penelitian menggunakan metode Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, dan pengujian sistem. Hasil pengujian menunjukkan bahwa sistem mampu melakukan pencatatan, pemindaian, dan pembaruan data stok secara real-time dengan tingkat akurasi yang tinggi. Sistem ini memberikan solusi yang efektif untuk meningkatkan efisiensi operasional, keamanan data, dan transparansi dalam pengelolaan gudang berbasis Internet of Things (IoT).
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.
Teknologi informasi dan komunikasi kini sebagai media yang memfasilitasi berbagai kegiatan di GKPS Cililitan. Salah satunya adalah untuk proses pemilihan personel pada masa periodisasi Gereja. Pada saat ini proses pemilihan personel di GKPS Cililitan masih dilakukan secara manual, dimana masih menggunakan kertas untuk menulis nama kandidat pilihan dan papan untuk proses penghitungan yang juga secara manual di saksikan oleh seluruh anggota rapat yang hadir. Tujuan penelitian ini adalah untuk mempermudah proses periodisasi di GKPS Cililitan, baik secara proses pemilihan dan proses penghitungannya yang dapat di pantau secara realtime sehingga proses pemilihan bisa diselesaikan lebih cepat. Metode penelitian yang digunakan yaitu metode penelitian action research dengan pendekatan kualitatif serta pengembangan sistem yang digunakan yaitu metode prototyping. Dalam pembuatan sistem ini menggunakan bahasa pemrograman Typescript, Javascript, Solidity, CSS serta menggunakan framework Next.JS 14 dan Hardhat yang dikemas dalam 1 bundle development kit Scaffold.eth. Hasil penelitian ini adalah sebuah sistem pemilihan elektronik berbasis web3 dan teknologi blockchain yang diharapkan dapat membantu mengelola proses pemilihan serta penghitungan suara secara realtime di GKPS Cililitan.
Bitcoin adalah aset kripto terdesentralisasi yang dikarakteristikkan oleh volatilitas harga ekstrem dan fluktuasi non-linear, sehingga pergerakan harga di masa depan sangat sulit untuk diprediksi secara akurat. Ketidakstabilan inheren ini mendorong kebutuhan mendesak akan metode peramalan komputasi tangguh yang mampu menangkap dependensi temporal jangka panjang yang kompleks dalam data deret waktu univariat. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi efektivitas arsitektur Transformer berbasis Deep Learning untuk peramalan harga penutupan Bitcoin. Memanfaatkan dataset historis komprehensif dari tahun 2015 hingga bulan April 2026, penelitian ini mendayagunakan mekanisme self-attention sebagai inti arsitektur Transformer guna memproses data sekuensial secara dinamis. Pendekatan mutakhir ini berhasil mengatasi keterbatasan utama dari model analitik tradisional dalam menangkap pola temporal penting. Kerangka metodologi yang diterapkan mencakup operasi pra-pemrosesan data secara ketat melalui fungsi MinMaxScaler, proses pelatihan model yang dioptimalkan oleh algoritma Adam, serta pengujian out-of-sample komprehensif guna memproyeksikan perilaku pasar masa depan. Performa prediktif model dievaluasi secara kuantitatif menggunakan metrik kesalahan standar. Hasil empiris penelitian menunjukkan tingkat akurasi prediksi yang sangat luar biasa, di mana model yang dikembangkan sukses mencapai nilai Root Mean Square Error (RMSE) sebesar $3.818,34, nilai Mean Absolute Error (MAE) sebesar $2.866,73, dan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,12%. Lebih lanjut, proyeksi masa depan out-of-sample menghasilkan angka prediksi sebesar $78.247,73 dibandingkan dengan harga penutupan aktual senilai $78.294,00, yang merepresentasikan persentase tingkat rasio kesalahan absolut minim yakni hanya 0,059%. Temuan analitis ini mengonfirmasi bahwa model Transformer berhasil memitigasi overfitting dan unggul memodelkan volatilitas pasar ekstrem. Kesimpulannya, model ini siap mendukung keputusan investasi para praktisi keuangan global.
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;
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.
Bitcoin is one of the most prominent digital assets in the modern financial era due to its high volatility and huge profit potential. However, its extreme price volatility also makes it a high-risk asset, so a reliable forecasting approach is needed to help investors make more rational decisions. This study aims to forecast Bitcoin price using the Moving Average (MA) method, specifically MA3, by utilizing monthly historical data of Bitcoin price in USD currency obtained from investing.com website. The MA3 method was chosen for its ability to smooth out short-term fluctuations and identify the direction of price trends. The forecasting process is performed by calculating the average of the last three months' prices for each point in time and compared to the actual price to evaluate its accuracy. The evaluation is done using various prediction error metrics, namely Error, Absolute Error, Squared Error, and Percentage Error. The results of the analysis show that the MA method provides a fairly representative picture of price trends and can be used as an early indicator in short-term investment strategies. Thus, the Moving Average method proves to be a simple but effective prediction tool, especially for novice investors in the dynamic crypto asset market.
Sistem pemilihan konvensional masih menghadapi berbagai tantangan, seperti kurangnya transparansi, lambatnya proses penghitungan suara, dan birokrasi yang kompleks. Untuk menjawab permasalahan tersebut, penelitian ini mengembangkan sistem e-voting berbasis Blockchain dengan memanfaatkan platform ZenChain Testnet. Pemilihan ZenChain didasarkan pada kemampuannya menyediakan lingkungan uji coba yang ringan, mendukung smart contract, dan kompatibel dengan arsitektur DAO (Decentralized Autonomous Organizations). Metode yang digunakan adalah metode Prototype, yang diterapkan melalui tahapan desain awal sistem, implementasi fungsional, pengujian antarmuka, serta evaluasi berulang berdasarkan umpan balik. Tujuan dari penelitian ini adalah menciptakan sistem e-voting yang aman, efisien, dan transparan melalui pemanfaatan smart contract untuk mengotomatisasi proses validasi pemilih, pemungutan suara, dan perhitungan hasil. Hasil implementasi menunjukkan bahwa seluruh transaksi berhasil dicatat secara permanen di dalam Blockchain, sehingga mencegah potensi manipulasi data. Pengujian dilakukan menggunakan metode black box dengan 4 skenario uji fitur utama, seperti validasi pemilih, input suara, dan kalkulasi hasil. Semua skenario berhasil dijalankan tanpa error, dengan response time rata-rata di bawah 9 detik. Kesimpulannya, sistem e-voting berbasis Blockchain pada ZenChain Testnet terbukti mampu meningkatkan integritas dan efisiensi pemilu secara teknis. Namun, untuk implementasi skala besar, diperlukan strategi peningkatan infrastruktur, pengujian skalabilitas lebih lanjut, serta program literasi digital bagi masyarakat guna memastikan adopsi yang menyeluruh.
This study aims to analyze Bitcoin price volatility after halving by considering interactions with Ethereum, Tether, Binance Coin, and USD Coin. This research was conducted because Bitcoin halving is a significant event affecting the dynamics of the crypto market, but its impact on price volatility is not fully understood. This research uses the EGARCH (Exponential Generalized Autoregressive Conditional Heteroskedasticity) method with purposive sampling technique. Daily price data from Bitcoin, Ethereum, Tether, Binance Coin, and USD Coin in the period May 11, 2020 to May 31, 2024. The analysis results show that Bitcoin price volatility increased significantly after the halving event. In addition, there is an effect of Bitcoin price volatility after halving, namely on the price of Ethereum, Tether and Binance Coin. While the price of USD Coin cannot be proven because the daily closing price data is homoskedasticity.
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.
In recent years, the security and integrity of electronic voting systems have become a significant concern for both governments and the public. Traditional voting systems are susceptible to voter fraud, data manipulation, and election tampering. In order to tackle these challenges, we introduce a new voting system that combines blockchain technology and face-based authentication to establish a secure, transparent, and effective voting process. Blockchain provides a decentralized, tamper-proof ledger to cast votes, which guarantees data integrity and does not allow for tampering or unauthorized alterations of voting outcomes. Blockchain uses the decentralized aspect for maximized transparency, with the possibility of tracing and authenticating each vote securely and ensuring that the election outcomes are tamper-proof. Moreover, the system is scalable and user-friendly and can be adopted on large scales such as elections at the national and regional levels. Utilizing blockchain ensures that voting records are stored safely and cannot be tampered with once submitted, and thus voters and election authorities have faith in the results of the elections being accurate. The use of blockchain guarantees that the voting records are securely stored and cannot be altered after submission, providing voters and election authorities with confidence in the accuracy of the election outcomes. This integration of cutting-edge technologies - blockchain for security and transparency, and facial recognition with KNN for authentication- provides a robust solution to modern electoral challenges. The proposed system aims to build a more trustworthy and efficient voting process, ultimately enhancing voter confidence and participation in democratic processes worldwide
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.
Purpose: This research is to understand Bitcoin in the perspective of contemporary muamalah fiqh, find out how contemporary scholars understand bitcoin and analyze whether it is permissible or not from the perspective of contemporary muamalah fiqh. Design/methodology/approach: This research method is included in the quantitative category with a descriptive approach process, where the data collection technique relies on references in the library method as the main source. In other words, the data collection method is obtained from literature, such as articles, online media, books and other sources. Findings: : The results of this research show that bitcoin as an investment is not permitted because it contains gharar and maysir, and is not recognized as an official medium of exchange. The Indonesian government also does not support bitcoin as an official currency and considers it illegal under the Bank Indonesia Law. Research implications: From the results of this research, it is known that the development of Bitcoin in the Contemporary Prefective Fiqh of Muamalah, namely cryptocurrency, whether Bitcoin or other related cryptocurrencies, is still not accepted in Islamic law. and it could be said that it has not been legally and legitimately accepted in Indonesia.
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
Semakin pesatnya perkembangan teknologi Internet of Things (IoT) , keamanan dan privasi data menjadi tantangan utama yang harus diatasi. Teknologi Blockchain menawarkan solusi yang menjanjikan melalui desentralisasi, transparansi, dan integritas data, yang diimplementasikan melalui Smart Contract . Penelitian ini berfokus pada optimasi penggunaan Blockchain dalam mendukung sistem IoT, termasuk upaya meningkatkan efisiensi konsumsi gas pada Smart Contract . Hasil analisis menunjukkan bahwa integrasi Blockchain dalam sistem IoT tidak hanya mampu meningkatkan keamanan data, tetapi juga mendukung pengelolaan informasi secara lebih efisien.
Today's technological advancements have made work more efficient. One of the breakthroughs in accounting technology is blockchain. This innovative system involves a distributed ledger that uses hashes to grant access to all users. For data accuracy, each user verifies the information before it is stored and shared with blockchain-connected users. This research aims to provide an understanding and overview to consider the application of blockchain technology in accounting based on developments that occur in blockchain. It is expected that this research can provide knowledge for practitioners and academics regarding the application of blockchain in an accounting perspective. This research uses a qualitative approach with a literature review method that utilizes secondary data. Researchers use innovation diffusion theory (IDT) to explain the developments that occur in blockchain. Data sources are obtained from journal articles, books, proceedings, websites and other relevant sources. As a result, the application of blockchain has the potential to change the current accounting paradigm and have a major impact on the accounting profession. A decentralized system helps transparency and accountability of information data. The use of smart contract systems and supporting triple entry systems increases the reliability of information on financial statements, reduces accounting fraud. Innovation in blockchain technology is also appropriate if its application is in accordance with the needs of the organization, so it is important for companies to prioritize needs and know the obstacles in their application.
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.
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.
Penelitian ini bertujuan mengimplementasikan "NFT Pack" dalam ekosistem game Web3 di blockchain Solana dengan menggunakan teknologi State Compression untuk meningkatkan efisiensi dan keamanan transaksi NFT. Melalui integrasi paket NFT yang mendukung lebih dari satu NFT, penelitian ini bertujuan memberikan inovasi baru bagi pemain game Web3. Dengan penerapan State Compression, biaya transaksi dapat dikurangi dan efisiensi penyimpanan data ditingkatkan. Hasil penelitian menunjukkan bahwa implementasi NFT Pack dengan State Compression berhasil, dengan smart contract yang memfasilitasi pembelian, penjualan, dan interaksi NFT dalam paket. Pengujian menunjukkan pengaruh positif terhadap biaya transaksi dan efisiensi tanpa mengurangi keamanan system yang ada sebelumnya. Kesimpulan menghasilkan bahwa studi kasus NFT Pack berhasil dan terbukti aman, serta menyoroti potensi besar implementasi ini dalam meningkatkan efisiensi transaksi dan pengalaman pengguna di ekosistem game Web3. Penggunaan State Compression pada Compressed NFT menghasilkan penghematan biaya yang signifikan kurang lebih 95,3% dibandingkan NFT biasa dan potensi skalabilitas lebih tinggi. Saran untuk penelitian mendatang meliputi penelitian lebih lanjut mengenai keamanan dan skalabilitas, serta pengembangan fitur inovatif untuk meningkatkan interaksi pengguna dengan NFT. Kata Kunci— Blockchain, Non-Fungible Token, Smart Contract, Solana, Compressed NFT.