Prediksi Harga Bitcoin Menggunakan Metode Random Forest
(Studi Kasus: Data Acak Pada Masa Pandemic Covid-19)
DOI:
https://doi.org/10.35143/jkt.v7i1.4618Kata Kunci:
Prediksi, Harga Bitcoin, Random Forest Regression, MAPEAbstrak
Pada masa pandemic ini, transaksi keuangan virtual mengalami peningkatan tajam. Dikarenakan penyimpanan asset maupun bentuk jual-beli bertransformasi menggunakan layanan digital. Bitcoin sebagai salah satu cryptocurrency yang saat ini banyak digunakan dan diminati oleh masyarakat di dunia, tetapi tidak terdapat instansi keuangan khusus yang bertanggung jawab terhadap transaksi jual beli bitcoin, memerlukan sistem prediksi harga bitcoin untuk mengetahui status nilai bitcoin. Mengacu kepada karakteristik data bitcoin yang senantiasa berfluktuatif, maka digunakan metode Random Forest Regression untuk memprediksi harga bitcoin. Algoritma ini merupakan salah satu pemodelan yang dapat menghasilkan performansi yang baik dalam hal prediksi. Dengan menggunakan pemodelan Random Forest Regression, diperoleh nilai MAPE sebesar 1.50% dengan akurasi sebesar 98.50%. Nilai tersebut adalah nilai yang menghasilkan performansi paling baik diantara semua percobaan prediksi bitcoin.Unduhan
Referensi
E. Sin and L. Wang, 2017, Bitcoin Price Prediction Using Ensembles of Neural Network, 13th Int. Conf. Nat. Comput. Fuzzy Syst. Knowl. Discov., pp. 666–671.
T. Phaladisailoed, 2018, Machine Learning Models Comparison for Bitcoin Price Prediction, 10th Int. Conf. Inf. Technol. Electr. Eng., pp. 506– 511.
A. Viswam, 2017, An Efficient Bitcoin Fraud Detection in Social Media Networks, pp. 1–4.
S. Velankar, S. Valecha, S. Maji, and A. Bitcoin, 2018, Bitcoin Price Prediction using Machine Learning, pp. 144–147.
S. Hong and H. Kim, 2019, Analysis of Bitcoin Exchange Using Relationship of Transactions and Addresses, 21st Int. Conf. Adv. Commun. Technol., pp. 67–70.
M. S. Kumar, V. Soundarya, S. Kavitha, E. S. Keerthika, and E. Aswini, 2019, Credit Card Fraud Detection, 3rd Int. Conf. Comput. Commun. Technol., pp. 149–153.
B. J. Samajpati and S. D. Degadwala, 2016, “Hybrid Approach for Apple Fruit Diseases Detection and Classification Using Random Forest Classifier,†no. 2013, pp. 1015–1019.
Mudassir M, et al. 4 July 2020. Time-series forecasting of Bitcoin prices using high dimensional features: a machine learning approach. Neural Computing and Applications https://doi.org/10.1007/s00521-020-05129-6.
Fiadhi J, et al, 20 April 2020, Bitcoin Price Prediction using ARIMA Model, https://www.researchgate.net/publication/328989226 DOI: 10.36227/techrxiv.12098067
Dharminder Singh Virk, 2016, Prediction of Bitcoin Price using Data Mining, National College of Ireland, School of Computing.
Ahmed I et al, January 2021, Predicting market movement direction for bitcoin: A comparison of time series modeling methods, Elsevier Computer & Electrical Engineering, https://doi.org/10.1016/j.compeleceng.2020.106905.
S Saadah, A Whafa, August 2020, Monitoring Financial Stability Based on Prediction of Cryptocurrencies Price Using Intelligent Algorithm. 2020 International Conference on Data Science and Its Applications (ICoDSA), https://ieeexplore.ieee.org/document/9212968.
Lekkala S.R and Siramya P, April 2020, A Research on Bitcoin Price Prediction Using Machine Learning Algorithm, International Journal of Scientific and Technology Resarch Volume 9.
Madan I et al, Automated Bitcoin Trading via Machine Learning Algorithm, Research from Department of Computer Science, Stanford University.
Sabah A and Ansari M, April 2020, Bitcoin Price Prediction Using ARIMA Model, 10.36227/techrxiv.12098067.
Yang Li, Zibin Zeng and Dai H.N, July 2020, Enhancing Bitcoin Price Fluctuation Prediction Using Attentive LSTM and Embedding Network.
Mudassir M et al, June 2020, Time-Series Forecasting of Bitcoin Prices Using High Dimensional Features: Machine Learning Approach, Springer Neural Computing and Applications.
Danielle Denisko and Michaele M. Hoffman, 2018, Classification and interaction in random forests. PNAS February 20, 2018 115 (8) 1690-1692; first published February 12, 2018; https://doi.org/10.1073/pnas.1800256115.
Naghib A and Habibi R, December 2020, Crypto-Currency Price Prediction with Decision Tree Based Regressions Approach, Journal of Algorithms and Computation.
V. Derbentsev et al, January 2021, Comparative Performance of Machine Learning Ensemble Algorithms for Forecasting Cryptocurrency Proces, International Journal of Engineering.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2021 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
