Abstract:
Bitcoin telah bertransformasi menjadi fenomena ekonomi global, sering kali
diposisikan sebagai "Emas Digital" yang menawarkan lindung nilai di tengah
ketidakpastian pasar. Namun, volatilitas harga yang ekstrem menjadi tantangan
utama bagi investor dalam mengambil keputusan yang presisi. Penelitian ini
bertujuan untuk melakukan komparasi empiris kinerja antara dua pendekatan
peramalan yang berbeda: metode statistik klasik AutoRegressive Integrated
Moving Average (ARIMA) dan algoritma Deep Learning Long Short-Term
Memory (LSTM). Penelitian menggunakan data time-series harga harian Bitcoin
periode 1 Januari 2020 hingga 31 Desember 2024, mencakup berbagai siklus pasar
mulai dari fase bull run hingga crypto winter. Sistem dibangun melalui tahapan pra
pemrosesan data yang ketat, meliputi uji stasioneritas untuk ARIMA dan
normalisasi Min-Max untuk LSTM, serta diimplementasikan ke dalam prototipe
dashboard berbasis web menggunakan kerangka kerja Streamlit. Evaluasi kinerja
dilakukan menggunakan metrik standar Mean Absolute Percentage Error (MAPE)
dan Root Mean Squared Error (RMSE). Hasil pengujian menunjukkan temuan yang
signifikan bahwa model ARIMA (1,1,1) terbukti lebih superior dibandingkan
LSTM dalam memetakan pola pergerakan harga Bitcoin pada dataset ini. ARIMA
mencatatkan tingkat akurasi yang lebih tinggi dengan nilai MAPE sebesar 1.77%
dan RMSE $1,570.54, sementara model LSTM dengan arsitektur Stacked 2 Hidden
Layers menghasilkan MAPE sebesar 3.19% dan RMSE $2,137.93. Penelitian ini
menyimpulkan bahwa meskipun LSTM memiliki kemampuan komputasi yang
kompleks, pendekatan statistik ARIMA menunjukkan stabilitas dan efisiensi yang
lebih baik dalam menangani tren linear pada data harga Bitcoin periode pengujian.
Sistem E-Prediction yang dihasilkan diharapkan dapat menjadi instrumen
pendukung keputusan yang andal bagi investor dalam menavigasi pasar aset kripto.
