Perpustakaan Digital ITB
Perkembangan pasar cryptocurrency dalam beberapa tahun terakhir menunjukkan
tren yang sangat pesat. Bitcoin masih menjadi aset digital dengan kapitalisasi pasar
terbesar, yaitu lebih dari USD 1,7 triliun, serta menguasai lebih dari 57% total
kapitalisasi pasar cryptocurrency. Namun, tingginya tingkat volatilitas Bitcoin yang
secara historis mencapai rata-rata sekitar 80% per tahun menyebabkan pergerakan
harga yang sulit diprediksi dan meningkatkan risiko dalam proses pengambilan
keputusan investasi.
Untuk mengatasi tantangan tersebut, studi ini mengembangkan model Long Short
Term Memory (LSTM) guna memprediksi harga penutupan Bitcoin pada hari
berikutnya dalam timeframe harian. Model dibangun dengan memanfaatkan
kombinasi indikator teknikal dan variabel makroekonomi yang diperoleh secara
terintegrasi melalui TradingView Premium.
Kajian terhadap penelitian terdahulu menunjukkan adanya beberapa celah
penelitian yang masih perlu dieksplorasi. Pertama, sebagian besar model prediksi
harga berbasis machine learning belum disertai mekanisme deployment yang
mudah digunakan oleh pelaku pasar. Kedua, pemanfaatan faktor makroekonomi
dalam pemodelan harga cryptocurrency masih relatif terbatas. Ketiga, dokumentasi
proses pengembangan model yang memanfaatkan bantuan kecerdasan buatan
(Artificial Intelligence) belum banyak dibahas dalam literatur. Keempat,
perbandingan kinerja model terhadap berbagai metode benchmark sering kali
dilakukan secara terbatas sehingga menyulitkan evaluasi yang komprehensif.
Seluruh variabel penelitian diperoleh dari satu platform yang sama, yaitu
TradingView Premium, guna menjaga konsistensi sumber data. Variabel yang
digunakan mencakup data Open, High, Low, Close, dan Volume (OHLCV) Bitcoin,
sejumlah indikator teknikal seperti Relative Strength Index (RSI), Moving Average
Convergence Divergence (MACD), Bollinger Bands, dan Average Directional
Index (ADX), serta indikator makroekonomi yang meliputi imbal hasil obligasi
pemerintah Amerika Serikat (U.S. Treasury Yield), U.S. Dollar Index (DXY),
indeks S&P 500, Nasdaq-100, dan Volatility Index (VIX).
Data historis yang digunakan mencakup periode tahun 2017 hingga 2025. Data
tersebut dibagi menjadi tiga kelompok, yaitu data pelatihan untuk periode 2017
2023, data validasi tahun 2024, dan data pengujian tahun 2025. Model LSTM
dirancang menggunakan tiga lapisan tersembunyi dengan 128, 64, dan 32 unit, serta
dilengkapi mekanisme dropout untuk mengurangi risiko overfitting. Selain itu,
jendela pengamatan (lookback window) selama 60 hari diterapkan agar model
mampu menangkap pola pergerakan harga dalam berbagai horizon waktu.
Kinerja model dievaluasi melalui perbandingan dengan beberapa metode yang
umum digunakan, yaitu ARIMA, TradingView Technical Ratings, dan strategi
Simple Moving Average Crossover. Pengukuran dilakukan menggunakan Mean
Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute
Percentage Error (MAPE), serta tingkat ketepatan dalam memprediksi arah
pergerakan harga (directional accuracy).
Sebagai luaran praktis, hasil penelitian diimplementasikan dalam bentuk indikator
Pine Script yang dapat digunakan langsung pada platform TradingView.
Implementasi tersebut memungkinkan pengguna untuk memperoleh hasil prediksi
berbasis machine learning tanpa perlu membangun model secara mandiri. Dari sisi
akademis, studi ini memberikan kontribusi melalui penggabungan indikator
teknikal dan faktor makroekonomi dalam pemodelan harga Bitcoin. Dari sisi
praktis, penelitian ini menawarkan pendekatan yang lebih mudah diakses oleh
trader maupun investor ritel yang ingin memanfaatkan teknologi machine learning
dalam proses pengambilan keputusan investasi.