OPTIMASI ALGORITMA ARIMA MENGGUNAKAN LONG SHORT-TERM MEMORY UNTUK PREDIKSI HARGA BITCOIN

Fluktuasi harga Bitcoin yang sangat tinggi menjadikannya instrumen investasi dengan potensi keuntungan besar, tetapi juga penuh risiko. Upaya prediksi harga Bitcoin menjadi penting untuk membantu investor dan pengambil kebijakan dalam menyusun strategi yang tepat. Algoritma Autoregressive Integrated Moving Average (ARIMA) telah lama digunakan dalam analisis deret waktu untuk menangkap pola linier, namun kurang efektif menghadapi pola non-linier dan volatilitas tinggi. Sebaliknya, Long Short-Term Memory (LSTM), sebagai bagian dari deep learning, unggul dalam menangkap pola non-linier yang kompleks. Hasil penelitian menunjukkan bahwa mengombinasikan ARIMA dan LSTM dalam bentuk model hybrid untuk meningkatkan akurasi prediksi harga Bitcoin. Data yang digunakan berupa harga penutupan harian (daily closing price) yang diperoleh dari sumber terbuka seperti Yahoo Finance atau TradingView. Tahap praproses mencakup data cleaning, transformasi stasioneritas, differencing, normalisasi dengan Min-Max Scaling, serta pembagian data latih dan data uji. Model ARIMA digunakan untuk membaca pola linier, sementara LSTM menangkap pola non-linier. Hasil prediksi keduanya digabungkan agar saling melengkapi. Evaluasi dilakukan dengan metrik MAPE, MSE, dan R² untuk membandingkan performa ARIMA, LSTM, dan hybrid. Diharapkan hasil penelitian ini menunjukkan bahwa pendekatan hybrid ARIMA–LSTM mampu memberikan akurasi prediksi yang lebih baik, serta bermanfaat baik secara teoretis dalam pengembangan ilmu maupun secara praktis bagi investor dan lembaga keuangan.