Prediksi Jangka Pendek Harga Bitcoin Menggunakan Model Autoregressive Integrated Moving Average (Arima)

Abstract

Perdagangan cryptocurrency, khususnya Bitcoin, menghadapi fluktuasi harga yang signifikan, yang memerlukan prediksi harga yang akurat untuk membantu pengambilan keputusan. Penelitian ini bertujuan untuk menerapkan model Autoregressive Integrated Moving Average (ARIMA) dalam memprediksi harga Bitcoin jangka pendek. Pemilihan model ARIMA didasarkan pada kemampuannya dalam menangkap tren harga berdasarkan data historis. Penelitian ini menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM), yang terdiri dari lima tahapan utama: Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Dataset yang digunakan adalah data historis harga Bitcoin USD dari investing.com yang mencakup 1462 data dengan tujuh atribut, yaitu Date, Price, Open, High, Low, Vol, dan Change, dengan periode dari 05 Mei 2020 hingga 05 Mei 2024. Model ARIMA yang diterapkan pada data ini dievaluasi menggunakan metrik Root Mean Square Error (RMSE) untuk mengukur tingkat kesalahan prediksi. Model ARIMA yang diterapkan pada data ini dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan pengujian stasioneritas menggunakan Augmented Dickey-Fuller (ADF) test. Hasil evaluasi menunjukkan bahwa model ARIMA (1, 2, 1) memiliki RMSE sebesar 0.0712, menunjukkan akurasi prediksi yang baik, dan pengujian ADF menunjukkan bahwa data awalnya non-stationary, yang membutuhkan differencing dua kali (d=2) untuk membuat data stasioner. Selain itu, analisis Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) mengonfirmasi bahwa parameter ARIMA (1, 2, 1) sesuai untuk menangkap pola data. Meskipun model ini menunjukkan performa yang baik, hasil penelitian ini juga mengindikasikan perlunya pengembangan model prediksi yang lebih kompleks, seperti teknik machine learning atau deep learning, untuk mengatasi volatilitas pasar yang lebih tinggi.