Model Pergerakan Harga Cryptocurrency Menggunakan Metode Markov Switching Autoregressive (MSAR) dan Long Short-Term Memory (LSTM)

Marvisha, Silva (2026) Model Pergerakan Harga Cryptocurrency Menggunakan Metode Markov Switching Autoregressive (MSAR) dan Long Short-Term Memory (LSTM). S1 thesis, Universitas Andalas.

	Text (01. Cover dan Abstrak) 01. Cover dan Abstrak.pdf - Published Version Download (575kB)
	Text (02. BAB I) 02. BAB I.pdf - Published Version Download (187kB)
	Text (03. BAB IV) 03. BAB IV.pdf - Published Version Download (175kB)
	Text (04. Daftar Pustaka) 04. Daftar Pustaka.pdf - Published Version Download (181kB)
	Text (05. Skripsi Fulltext) 05. Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Cryptocurrency memiliki pergerakan harga yang volatil sehingga diperlukan metode yang mampu menghasilkan prediksi yang akurat. Penelitian ini bertujuan memprediksi harga Bitcoin dan Ethereum menggunakan Markov Switching Autoregressive (MSAR) dan Long Short-Term Memory (LSTM), serta menggabungkan hasil prediksinya menggunakan forecast combination berbasis regresi linear. Data yang digunakan berupa harga penutupan harian periode 1 Januari 2022 hingga 30 April 2026. Model terbaik MSAR dipilih berdasarkan Akaike Information Criterion (AIC), sedangkan kinerja model dibandingkan menggunakan RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa MS(3)AR(1) merupakan model terbaik untuk Bitcoin dan MS(4)AR(1) untuk Ethereum. Model forecast combination menghasilkan RMSE dan MAE terendah pada kedua aset, yaitu 1628, 0291 dan 1264, 3114 untuk Bitcoin serta 66, 9418 dan 49, 7108 untuk Ethereum. Berdasarkan MAPE, MSAR memberikan hasil terbaik pada Bitcoin sebesar 1, 7239%, sedangkan forecast combination terbaik pada Ethereum sebesar 2, 3284%. Secara keseluruhan, forecast combination memberikan kinerja prediksi yang baik untuk kedua aset.

Actions (login required)

View Item