ANALISIS PERBANDINGAN KINERJA METODE TRIPLE EXPONENTIAL SMOOTHING DAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA PERAMALAN HARGA CRYPTOCURRENCY

Prasetyo, Adi (2024) ANALISIS PERBANDINGAN KINERJA METODE TRIPLE EXPONENTIAL SMOOTHING DAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA PERAMALAN HARGA CRYPTOCURRENCY. S1 thesis, Universitas Malikussaleh.

This is the latest version of this item.

	Text Adi Prasetyo_200170002_Cover.pdf Download (185kB)
	Text Adi Prasetyo_200170002_Abstrak.pdf Download (174kB)
	Text Adi Prasetyo_200170002_Bab I.pdf Download (297kB)
	Text Adi Prasetyo_200170002_Daftar Pustaka.pdf Download (178kB)
	Text Adi Prasetyo_200170002_Analisis Perbandingan Kinerja Metode Triple Exponential Smoothing dan Autoregressive Integrated Moving Average Pada Peramalan Harga Cryptocurrency.pdf Restricted to Registered users only Download (3MB)

Abstract

Dalam satu dekade terakhir, cryptocurrency telah menjadi aset digital yang semakin populer, namun volatilitas harganya yang tinggi menjadi tantangan utama bagi investor. Oleh karena itu, penelitian ini bertujuan untuk membandingkan efektivitas metode Triple Exponential Smoothing (TES) dan Autoregressive Integrated Moving Average (ARIMA) dalam meramalkan harga lima koin kripto teratas di Marketcap: Bitcoin (BTC), Ethereum (ETH), Binance Coin (BNB), Solana (SOL), dan Ripple (XRP). Metode TES, juga dikenal sebagai metode Holt-Winters, memperhitungkan tren dan musiman dalam data time series menggunakan tiga persamaan smoothing. Metode ARIMA menganalisis dan meramalkan data time series berdasarkan nilai masa lalu dan kesalahan peramalan sebelumnya, yang terdiri dari komponen Autoregressive, Integrated, dan Moving Average. Data dibagi menjadi data latih sebesar 80% dan data uji sebesar 20% untuk memastikan model dapat menangkap pola jangka panjang dan pendek. Evaluasi kinerja model dilakukan menggunakan Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE) pada data uji. Hasil penelitian menunjukkan bahwa TES unggul dalam meramalkan harga Bitcoin dan Binance Coin, dengan MAPE masing-masing sebesar 10,38% dan 13,81%, serta RMSE sebesar 3.985,55 dan 41,28. Sebaliknya, ARIMA menunjukkan performa yang lebih baik untuk Ethereum, Solana, dan Ripple, dengan MAPE berkisar antara 8,79% hingga 32,84%, dan RMSE antara 0,08 hingga 204,64. Ethereum mencatat MAPE terendah sebesar 8,79%, sementara Ripple memiliki RMSE terkecil yaitu 0,08. Penelitian ini menyimpulkan bahwa tidak ada metode tunggal yang konsisten unggul untuk semua koin kripto. TES lebih efektif untuk koin dengan pola harga yang relatif stabil seperti Bitcoin dan Binance Coin, sedangkan ARIMA lebih sesuai untuk koin dengan pola harga yang lebih kompleks dan volatil seperti Ethereum, Solana, dan Ripple. Temuan ini menekankan pentingnya memilih metode prediksi yang sesuai dengan karakteristik data spesifik masing-masing koin kripto.

Item Type:	Thesis (S1)
Subjects:	H Social Sciences > HG Finance Q Science > Q Science (General) Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Adi Prasetyo
Date Deposited:	15 Jan 2025 03:13
Last Modified:	15 Jan 2025 03:13
URI:	https://rama.unimal.ac.id/id/eprint/9186