PERBANDINGAN ALGORITMA LONG SHORT-TERM MEMORY DAN GATED RECURRENT UNIT UNTUK PERAMALAN SAHAM FOREX DAN BITCOIN

Abstrak

Penelitian ini membangun model prediksi harga Forex dan Bitcoin menggunakan algoritma deep
learning Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk mengatasi
keterbatasan metode konvensional dalam menghadapi volatilitas pasar. Data yang digunakan
berupa harga historis harian yang mencakup open, high, low, close, serta volume perdagangan.
Setelah melalui tahap pembersihan data, model dilatih menggunakan sliding window dengan 30
timestep dan dibagi menjadi 80% data pelatihan dan 20% data pengujian. Hasil penelitian
menunjukkan bahwa kedua model mampu mengikuti pola pergerakan harga aktual dengan baik,
namun LSTM memberikan kinerja yang lebih unggul. Pada prediksi Forex, LSTM mencapai
tingkat akurasi yang tinggi dengan nilai MAPE di bawah 0,5% serta R² di atas 0,95, sementara
RMSE tercatat 0,01 dan MAE mendekati nol. Untuk Bitcoin, LSTM juga terbukti lebih stabil dan
akurat dibanding GRU dalam menghasilkan proyeksi harga. Prediksi 10 hari ke depan
menunjukkan adanya perbedaan tren di antara kedua model. LSTM memproyeksikan adanya
sedikit penurunan harga pada Forex, sedangkan GRU memprediksi kecenderungan naik. Pada aset
Bitcoin, keduanya sama-sama memproyeksikan penurunan harga, namun prediksi LSTM
memperkirakan nilai yang relatif lebih tinggi dibanding GRU. Temuan ini menegaskan
keunggulan LSTM dalam menangani data keuangan yang sangat fluktuatif. Secara akademis,
penelitian ini memperkaya literatur mengenai prediksi aset digital di Indonesia. Secara praktis,
hasil penelitian mendukung pengembangan sistem prediksi berbasis kecerdasan buatan yang lebih
akurat. Penelitian lanjutan disarankan untuk mengembangkan model hybrid serta menambahkan
variabel eksternal seperti sentimen pasar dan kebijakan moneter.