Implementasi Model Transformer Untuk Peramalan Harga Bitcoin
DOI:
https://doi.org/10.69836/ncrcs-sinesia.v2i1.215Keywords:
Peramalan Deret Waktu, Transformer, Deep Learning, Aset KriptoAbstract
Bitcoin adalah aset kripto terdesentralisasi yang dikarakteristikkan oleh volatilitas harga ekstrem dan fluktuasi non-linear, sehingga pergerakan harga di masa depan sangat sulit untuk diprediksi secara akurat. Ketidakstabilan inheren ini mendorong kebutuhan mendesak akan metode peramalan komputasi tangguh yang mampu menangkap dependensi temporal jangka panjang yang kompleks dalam data deret waktu univariat. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi efektivitas arsitektur Transformer berbasis Deep Learning untuk peramalan harga penutupan Bitcoin. Memanfaatkan dataset historis komprehensif dari tahun 2015 hingga bulan April 2026, penelitian ini mendayagunakan mekanisme self-attention sebagai inti arsitektur Transformer guna memproses data sekuensial secara dinamis. Pendekatan mutakhir ini berhasil mengatasi keterbatasan utama dari model analitik tradisional dalam menangkap pola temporal penting. Kerangka metodologi yang diterapkan mencakup operasi pra-pemrosesan data secara ketat melalui fungsi MinMaxScaler, proses pelatihan model yang dioptimalkan oleh algoritma Adam, serta pengujian out-of-sample komprehensif guna memproyeksikan perilaku pasar masa depan. Performa prediktif model dievaluasi secara kuantitatif menggunakan metrik kesalahan standar. Hasil empiris penelitian menunjukkan tingkat akurasi prediksi yang sangat luar biasa, di mana model yang dikembangkan sukses mencapai nilai Root Mean Square Error (RMSE) sebesar $3.818,34, nilai Mean Absolute Error (MAE) sebesar $2.866,73, dan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,12%. Lebih lanjut, proyeksi masa depan out-of-sample menghasilkan angka prediksi sebesar $78.247,73 dibandingkan dengan harga penutupan aktual senilai $78.294,00, yang merepresentasikan persentase tingkat rasio kesalahan absolut minim yakni hanya 0,059%. Temuan analitis ini mengonfirmasi bahwa model Transformer berhasil memitigasi overfitting dan unggul memodelkan volatilitas pasar ekstrem. Kesimpulannya, model ini siap mendukung keputusan investasi para praktisi keuangan global.
References
Crosby, M., Pattanayak, P., Verma, S., & Kalyanaraman, V. (2016). Applied Innovation Review. Applied Innovation Review, (2).
Junaidi. (2014). Analisis Hubungan Deret Waktu Untuk Peramalan. Repository Universitas Jambi, 1–5.
Katsiampa, P., Corbet, S., & Lucey, B. (2019). High frequency volatility co-movements in cryptocurrency markets. Journal of International Financial Markets, Institutions and Money, 62, 35–52. https://doi.org/10.1016/j.intfin.2019.05.003
McNally, S., Roche, J., & Caton, S. (2018). Predicting the Price of Bitcoin Using Machine Learning. 2018 26th Euromicro International Conference on Parallel, Distributed and Network-based Processing (PDP), 339–343. https://doi.org/10.1109/PDP2018.2018.00060
Oliveira, H. S., & Oliveira, H. P. (2023). Transformers for Energy Forecast. Sensors, 23(15), 1–21. https://doi.org/10.3390/s23156840
Pospíchal, J., Kubovčík, M., & Dirgová Luptáková, I. (2022). Solar Irradiance Forecasting with Transformer Model. Applied Sciences, 12(17). https://doi.org/10.3390/app12178852
Wang, C., Chen, Y., Zhang, S., & Zhang, Q. (2022). Stock market index prediction using deep Transformer model. Expert Systems with Applications, 208, 118128. https://doi.org/10.1016/j.eswa.2022.118128
Zhou, H., et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. Thirty-Fifth AAAI Conference on Artificial Intelligence, 11106–11115. https://ojs.aaai.org/index.php/AAAI/article/view/17325
Da Poian, V., et al. (2023). Exploratory data analysis (EDA) machine learning approaches for ocean world analog mass spectrometry. Front. Astron. Sp. Sci., 10, 1–17. https://doi.org/10.3389/fspas.2023.1134141
Lomet, D. B. (2001). Bulletin of the Technical Committee on Data Engineering. Bull. Tech. Comm. Data Eng., 24(4), 1–56.
Maulana, H. A. (2018). Pemodelan Deret Waktu Dan Peramalan Curah Hujan Pada Dua Belas Stasiun Di Bogor. J. Mat. Stat. dan Komputasi, 15(1), 50. https://doi.org/10.20956/jmsk.v15i1.4424
Peng, J., et al. (2021). DataPrep.EDA: Task-Centric Exploratory Data Analysis for Statistical Modeling in Python. Proc. ACM SIGMOD Int. Conf. Manag. Data, 2271–2280. https://doi.org/10.1145/3448016.3457330
Sihombing, P. R., Suryadiningrat, S., Sunarjo, D. A., & Yuda, Y. P. A. C. (2023). Identifikasi Data Outlier (Pencilan) dan Kenormalan Data Pada Data Univariat serta Alternatif Penyelesaiannya. J. Ekon. Dan Stat. Indones., 2(3), 307–316. https://doi.org/10.11594/jesi.02.03.07
Taherdoost, H. (2021). Data Collection Methods and Tools for Research; A Step-by-Step Guide to Choose Data Collection Technique for Academic and Business Research Projects. Int. J. Acad. Res. Manag., 2021(1), 10–38. https://hal.science/hal-03741847
Whitmire, C. D., Vance, J. M., Rasheed, H. K., Missaoui, A., Rasheed, K. M., & Maier, F. W. (2021). Using Machine Learning and Feature Selection for Alfalfa Yield Prediction. AI, 2(1), 71–88. https://doi.org/10.3390/ai2010006
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Zehan Azezair (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
