Record Detail Back
Studi Perbandingan Algoritma Machine Learning Random Forest, Xgboost, Dan Lightgbm Dalam Memprediksi Harga Rumah
- Share to:
Bitcoin merupakan aset kripto yang memiliki pergerakan harga dinamis dan volatilitas tinggi, sehingga prediksi harga menjadi penting untuk dianalisis menggunakan pendekatan berbasis data. Penelitian ini bertujuan untuk membandingkan performa algoritma Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost) dalam memprediksi harga Bitcoin pada timeframe 1 jam dan 1 hari. Data yang digunakan adalah data historis Bitcoin/Tether (BTC/USDT) periode 1 Januari 2025 sampai 28 Februari 2026. Fitur yang digunakan dalam penelitian ini terdiri dari Close, Relative Strength Index (RSI), Exponential Moving Average periode 21 (EMA21), Moving Average Convergence Divergence (MACD), dan Average True Range (ATR). Data diproses melalui tahapan penambahan indikator teknikal, normalisasi menggunakan MinMaxScaler, pembagian data training dan testing, serta pembentukan data menggunakan metode sliding window dengan panjang look back 60. Evaluasi model dilakukan menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa LSTM menghasilkan performa prediksi yang lebih baik dibandingkan XGBoost pada kedua timeframe karena memiliki nilai kesalahan prediksi yang lebih kecil. Hasil evaluasi model juga disajikan melalui aplikasi mobile berbasis Android menggunakan Flutter agar perbandingan hasil prediksi dapat ditampilkan dalam bentuk grafik dan metrik evaluasi
Dendi Hadiputra - Personal Name
005 HAD S
NONE
Text
Indonesia
Universitas Langlangbuana
2026
Bandung
LOADING LIST...
LOADING LIST...
APA Citation
Dendi Hadiputra. (2026).Studi Perbandingan Algoritma Machine Learning Random Forest, Xgboost, Dan Lightgbm Dalam Memprediksi Harga Rumah.(Electronic Thesis or Dissertation). Retrieved from https://localhost/etd