PREDIKSI HARGA BITCOIN BERBASIS TIME SERIES LSTM DENGAN INTEGRASI HASIL SENTIMEN MODEL BERT

Almer Farand Rafael, . (2026) PREDIKSI HARGA BITCOIN BERBASIS TIME SERIES LSTM DENGAN INTEGRASI HASIL SENTIMEN MODEL BERT. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 1_Cover_123220040.pdf Download (90kB)
	Text 2_Abstrak_123220040.pdf Download (130kB)
	Text 3_Halaman Pengesahan_123220040.pdf Download (162kB)
	Text 4_Daftar Isi_123220040.pdf Download (75kB)
	Text 5_Daftar Pustaka_123220040.pdf Download (12kB)
	Text 6_Fulltext_123220040.pdf Restricted to Repository staff only Download (1MB)

Abstract

Bitcoin sebagai aset kripto dengan kapitalisasi pasar terbesar mengalami volatilitas
harga tinggi yang dipengaruhi oleh data historis pasar dan sentimen publik melalui media
berita. Volatilitas ini menimbulkan risiko finansial bagi investor. Penelitian sebelumnya
sering menggunakan data media sosial dengan model sentimen umum seperti VADER atau
TextBlob, yang kurang menangkap konteks kripto spesifik dan rentan noise dari postingan
manipulatif. Penelitian ini bertujuan membangun model prediksi harga Bitcoin
menggunakan Long Short-Term Memory (LSTM) dengan integrasi analisis sentimen
berbasis CryptoBERT untuk meningkatkan akurasi.
Data yang digunakan meliputi harga penutupan Bitcoin dari Yahoo Finance (1
Januari 2020–31 Desember 2025) dan berita dari Cointelegraph via web scraping serta
dataset Hugging Face. Berita dianalisis dengan CryptoBERT milik ElKulako, menghasilkan
sentimen Bullish, Neutral, dan Bearish yang dikonversi numerik dan diagregasi harian via
rata-rata. Integrasi early fusion menggabungkan harga penutupan dan sentimen sebagai fitur
input. Dataset dibagi dengan persentase 83,3% training (2020–2024) dan 16,7% testing
(2025). Model LSTM multivariat dioptimasi via Grid Search dengan 540 kombinasi
hyperparameter (window size, hidden size, number of layers, batch size, learning rate).
Pelatihan menggunakan L1Loss dan early stopping patience 10 untuk cegah overfitting.
Hasil tuning menunjukkan konfigurasi optimal: window size 7, hidden size 64, layers
1, batch size 128, learning rate 0,01, dengan validation loss 0,0131. Evaluasi testing: RMSE
2.475,71 USD, MAE 1.915,16 USD, MAPE 1,89%. MAPE di bawah 2% menunjukkan
akurasi tinggi meski volatilitas tinggi. Prediksi 1 Januari 2026: 86.687,19 USD. Penelitian
membuktikan integrasi CryptoBERT dengan LSTM meningkatkan akurasi dibanding model
berbasis harga saja. Kontribusi: model sentimen domain-spesifik, sumber berita stabil, dan
dukungan pengurangan risiko investor.

Kata Kunci: CryptoBERT, LSTM, Analisis Sentimen, Prediksi Bitcoin, Deep Learning

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Almer farand Rafael (penulis - 123220040) Frans Richard Kodong S.T., M.Kom., Ph.D. (pembimbing)
Uncontrolled Keywords:	CryptoBERT, LSTM, Analisis Sentimen, Prediksi Bitcoin, Deep Learning
Subjek:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	20 Feb 2026 06:50
Last Modified:	20 Feb 2026 06:50
URI:	http://eprints.upnyk.ac.id/id/eprint/47121

Actions (login required)

View Item