PREDIKSI VOLATILITAS HARGA BITCOIN BERDASARKAN INDIKATOR TEKNIKAL DENGAN MODEL HIBRIDA GARCH-LSTM
Bitcoin merupakan salah satu aset kripto dengan tingkat volatilitas yang sangat tinggi, sehingga memerlukan metode prediksi yang akurat untuk mendukung pengambilan keputusan investasi dan manajemen risiko. Penelitian ini bertujuan untuk memprediksi volatilitas harga Bitcoin dengan mengintegrasikan indikator teknikal, seperti Simple Moving Average (SMA), Exponential Moving Average (EMA), Relative Strength Index (RSI), Stochastic Oscillator, On Balance Volume (OBV), dan Money Flow Index (MFI), ke dalam model hibrida Generalized Autoregressive Conditional Heteroskedasticity–Long Short-Term Memory (GARCH-LSTM). Model GARCH digunakan untuk menangkap pola volatilitas linear dan efek volatility clustering, sedangkan LSTM diterapkan untuk mempelajari hubungan non-linear dan dependensi jangka panjang pada data deret waktu. Dataset yang digunakan berupa data historis harga dan volume Bitcoin periode 2011–2025 yang diolah melalui tahapan CRISP-DM, mencakup pembersihan data, ekstraksi indikator teknis, pengujian stasioneritas, serta reduksi dimensi menggunakan PCA. Hasil penelitian menunjukkan bahwa model hibrida GARCH-LSTM mampu meningkatkan akurasi prediksi dibandingkan penggunaan model tunggal, dengan evaluasi performa menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Implementasi model ini diharapkan dapat memberikan manfaat bagi pelaku pasar kripto dalam mengelola risiko, merumuskan strategi investasi, serta melindungi portofolio aset dari gejolak harga yang ekstrem.
Bitcoin is one of the most volatile cryptocurrencies, requiring accurate prediction methods to support investment decision-making and risk management. This study aims to predict Bitcoin price volatility by integrating technical indicators such as Simple Moving Average (SMA), Exponential Moving Average (EMA), Relative Strength Index (RSI), Stochastic Oscillator, On Balance Volume (OBV), and Money Flow Index (MFI) into a hybrid model of Generalized Autoregressive Conditional Heteroskedasticity–Long Short-Term Memory (GARCH-LSTM). The GARCH model is employed to capture linear volatility patterns and volatility clustering effects, while the LSTM model is applied to learn non-linear relationships and long-term dependencies in time series data. The dataset consists of historical Bitcoin price and volume data from 2011 to 2025, processed through the CRISP-DM methodology, including data cleaning, technical indicator extraction, stationarity testing, and dimensionality reduction using PCA. The results demonstrate that the hybrid GARCH-LSTM model improves prediction accuracy compared to single models, with performance evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The implementation of this model is expected to provide benefits for cryptocurrency market participants in risk management, investment strategy formulation, and portfolio protection against extreme price fluctuations.
Detail Information
Citation
APA Style
. (2025).PREDIKSI VOLATILITAS HARGA BITCOIN BERDASARKAN INDIKATOR TEKNIKAL DENGAN MODEL HIBRIDA GARCH-LSTM ().Sistem Informasi:FTI
Chicago Style
.PREDIKSI VOLATILITAS HARGA BITCOIN BERDASARKAN INDIKATOR TEKNIKAL DENGAN MODEL HIBRIDA GARCH-LSTM ().Sistem Informasi:FTI,2025.Text
MLA Style
.PREDIKSI VOLATILITAS HARGA BITCOIN BERDASARKAN INDIKATOR TEKNIKAL DENGAN MODEL HIBRIDA GARCH-LSTM ().Sistem Informasi:FTI,2025.Text
Turabian Style
.PREDIKSI VOLATILITAS HARGA BITCOIN BERDASARKAN INDIKATOR TEKNIKAL DENGAN MODEL HIBRIDA GARCH-LSTM ().Sistem Informasi:FTI,2025.Text