Tugas Akhir 12250055_Mohamad Irwansyah

Tugas Akhir 12250055_Mohamad Irwansyah

• By Mohamad Irwansyah;
• Skripsi
• 41
• 1-90

Bitcoin merupakan aset kripto dengan volatilitas harga yang sangat tinggi, berkisar antara 35% hingga 85%, sehingga menyulitkan investor dalam pengambilan keputusan investasi. Penelitian ini bertujuan membangun model prediksi harga Bitcoin satu hari berikutnya menggunakan metode Regresi Linear Berganda berbasis indikator teknikal sebagai alternatif yang lebih ringan dan mudah diinterpretasikan dibandingkan pendekatan Deep Learning. Variabel independen yang digunakan adalah Lag_Price, Volume, Change_Percentage, dan Simple Moving Average periode 10 hari (SMA10), sedangkan variabel dependennya adalah Target_Price, yaitu harga penutupan Bitcoin pada hari berikutnya. Data historis harian Bitcoin diperoleh dari Investing.com mencakup periode 1 Mei 2021 hingga 31 Mei 2026 dengan total 1.857 baris data mentah. Setelah melalui tahap preprocessing dan feature engineering, diperoleh dataset akhir sebanyak 1.847 baris data efektif. Seluruh proses penelitian dijalankan menggunakan Google Colaboratory dengan bahasa pemrograman Python. Model diuji melalui tiga skenario Hold-Out Validation secara sekuensial, yaitu 90:10, 80:20, dan 70:30, dan dievaluasi menggunakan metrik Root Mean Squared Error (RMSE), Absolute Error, dan Squared Correlation. Hasil pengujian menunjukkan bahwa skenario 90:10 menghasilkan kinerja terbaik dengan RMSE sebesar 1.857,232, Absolute Error sebesar 1.286,929, dan Squared Correlation sebesar 0,9602. Berdasarkan hasil tersebut, model Regresi Linear Berganda dapat digunakan untuk memprediksi harga Bitcoin satu hari berikutnya dengan tingkat kesalahan terendah pada skenario 90:10, meskipun model masih memiliki keterbatasan dalam menangkap pergerakan harga yang sangat tajam dan tidak terprediksi.

• Katakunci Bitcoin, Regresi Linear Berganda, Indikator Teknikal, Hold-Out Validation, RMSE
• URL http://
• Penerbit Universitas Nusa Mandiri, Jakarta DKI Jakarta

REFERENSI

[1]      E. Saputra, J. E. Hutagalung, and D. K. Utami, “Kajian Potensi Dan Resiko Keberadaaan Mata Uang Kripto Terhadap Perilaku Investor di Indonesia,” Ekon. Keuangan, Investasi dan Syariah, vol. 4, no. 1, pp. 242–249, 2022, doi: 10.47065/ekuitas.v4i1.2128.

[2]      M. Nur, “Apakah Bitcoin Masih Layak sebagai Instrumen Investasi di Tengah Volatilitas Ekstrem ? Studi terhadap Perilaku Investasi Generasi Z,” Salewangang J. Ekon., vol. 20, no. 1, 2026.

[3]      A. Alamsyah, “Model Prediksi Harga Bitcoin Menggunakan Algoritma SBI-GRU dan SBI-LSTM,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 10, no. 3, pp. 290–300, 2026, doi: 10.30998/ejnpwa45.

[4]      A. H. Awwaluddin, T. Tamrin, and N. A. Widiastuti, “Comparison of Accuracy of Linear Regression and Random Forest Models in Predicting Bitcoin Prices,” J. Dinda  Data Sci. Inf. Technol. Data Anal., vol. 5, no. 2, pp. 220–229, 2025, doi: 10.20895/dinda.v5i2.2014.

[5]      A. L. Susanto, N. W. S. Saraswati, M. W. Adhiputra, and I. D. M. K. Muku, “Prediksi Harga Bitcoin Menggunakan Metode Linear Regresion,” Kumpul. Artik. Mhs. Pendidik. Tek. Inform., vol. 13, no. 2, pp. 110–116, 2024, doi: 10.23887/karmapati.v13i2.77808.

[6]      M. F. Arfa, M. R. Al Fathan, H. B. Lumbantobing, and Rahmaddenni, “Prediksi Harga Cryptocurrency Dengan Metode Linier Regresi,” SENTIMAS Semin. Nas. Penelit. dan Pengabdi. Masy., vol. 1, no. 1, pp. 8–15, 2023.

[7]      G. Santoso, M. Rantina, and A. S. Prabuwono, “Peran analisis teknikal dalam pengambilan keputusan investasi saham,” E-Jurnal Manaj., vol. 1, no. 1, pp. 62–69, 2025, doi: 10.37373/ejm.v1i1.1701.

[8]      D. Wardhani et al., Pengantar Data Mining, 1st ed. Deli Serdang: PT. Mifandi Mandiri Digital Redaksi, 2023.

[9]      Sugiyono, Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung: Alfabeta, 2023.

[10]    Z. D. Anggoro, A. Mu’is, R. M. Syahputra, and M. N. Fawaiq, “Penerapan Data Mining Dengan Metode Regresi Linier Berganda Untuk Memprediksi Nilai Indeks Pembangunan Manusia,” JOISTICS J. Inf. Syst. Data Anal., vol. 2, no. 1, pp. 1–10, 2026, doi: 10.47686/fyxe1r39.

[11]    D. F. S. Anjani, R. Astuti, W. Prihartono, and R. Herdiana, “Prediksi Penjualan Handphone Samsung Di Shopee Menggunakan Algoritma Regresi Linear Berganda,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 2, pp. 1401–1407, 2025, doi: 10.23960/jitet.v13i2.6461.

[12]    S. Daruyani, O. D. Purbiyanti, Irawaty, and M. F. Hardeva, “Implementasi Machine Learning Menggunakan Algoritma Linear Regression Untuk Memprediksi Harga Saham PT . Telkom Indonesia Tbk.,” J. Inf. Syst. Informatics Comput., vol. 9, no. 1, pp. 81–91, 2025, doi: 10.52362/jisicom.v9i1.1910.

[13]    P. K. Dewi and Yoviapridiansyah, “Penerapan Algoritma Linear Regression dalam Prediksi Harga Mobil Bekas Berbasis Machine Learning,” J. Sist. Inf. TGD, vol. 5, no. 2, pp. 473–480, 2026, doi: 10.53513/jursi.v5i2.12494.

[14]    K. F. S. Dewi, Herlina, and V. C. Giovanni, “Evaluasi Pendekatan Sliding Window Terhadap Static Split Dalam Prediksi Harga Bitcoin Menggunakan Algoritma Random Forest,” J. Teknol. Inf., vol. 23, no. 1, pp. 152–162, 2026, doi: 10.24246/aiti.v23i1.152-162.

[15]    NumPy Developers, “numpy.corrcoef,” NumPy Documentation. Accessed: Jul. 06, 2026. [Online]. Available: https://numpy.org/doc/stable/reference/generated/numpy.corrcoef.html

[16]    Scikit-Learn Developers, “StandardScaler,” Scikit-learn Documentation. Accessed: Jul. 04, 2026. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html

[17]    Scikit-Learn Developers, “LinearRegression,” Scikit-learn Documentation. Accessed: Jul. 06, 2026. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html

[18]     Investing.com, “Bitcoin Historical Data.” Accessed: May 31, 2026. [Online]. Available: https://id.investing.com/crypto/bitcoin/historical-data