Rangkuti, Haris Yunanda (2024) PERBANDINGAN HASIL ALGORITMA LONG SHORT TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) DALAM MEMPREDIKSI HARGA CRYPTOCURRENCY. S1 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (30kB)
	Text Abstrak.pdf Download (12kB)
	Text Bab I.pdf Download (142kB)
	Text Daftar Pustaka.pdf Download (143kB)
	Text Skripsi-FullText.pdf Restricted to Registered users only Download (12MB)

Abstract

Long Short Term Memory (LSTM) dan Gated Recurent Unit (GRU) adalah jenis arsitektur yang digunakan pada jaringan saraf rekuren atau Recurrent Neural Network (RNN). Keduanya dirancang untuk mengatasi masalah vanishing gradient dan memungkinkan RNN untuk mengingat informasi jangka panjang. Penelitian ini berfokus pada perbandingan kinerja algoritma LSTM dan GRU dalam memprediksi harga cryptocurrency di ekosistem metaverse. Dengan menggunakan data historis dari 15 koin metaverse teratas yang diambil dari Coin Market Cap, penelitian ini menerapkan model LSTM dan GRU untuk meramalkan harga masa depan. Data dibagi menjadi data latih 80% dan data uji 20% untuk memastikan model dapat menangkap pola jangka panjang dan pendek. Hasil prediksi dibandingkan menggunakan metrik evaluasi Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Temuan menunjukkan bahwa algoritma LSTM lebih unggul dalam 9 dari 15 koin kripto yang dianalisis dengan variasi MAPE antara 1.74% hingga 63.35% dan MAE sebesar 0.00037 hingga 2.29248, Sementara GRU yang unggul dalam 6 koin lainnya dengan skor MAPE 0.77% hingga tertinggi 44.28% dan MAE dengan variasi dari 0.00032 hingga 2.5718. LSTM dan GRU sama-sama baik dalam memprediksi kripto, namun pemilihan tergantung pada karakteristik data yang spesifik. Ini menunjukkan pentingnya memilih algoritma yang cocok dengan pola kripto yang diamati. Penelitian ini diharapkan dapat memberikan wawasan bagi investor dan trader untuk membuat keputusan investasi yang lebih cerdas dan terinformasi, serta memberikan kontribusi signifikan terhadap pengembangan strategi perdagangan dalam ekosistem cryptocurrency yang dinamis.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Haris Yunanda Rangkuti
Date Deposited:	27 Aug 2024 03:57
Last Modified:	27 Aug 2024 03:57
URI:	https://rama.unimal.ac.id/id/eprint/5082

Actions (login required)

View Item