Prediksi Harga Cryptocurrency Menggunakan Algoritma Temporal Fusion Transformer, N-Beats dan Deepar
##plugins.themes.academic_pro.article.main##
Published
Nov 25, 2025
Abstract
Cryptocurrency seperti Bitcoin, ETHereum, dan Solana memiliki volatilitas harga tinggi yang menyulitkan prediksi akurat. Penelitian ini bertujuan membandingkan akurasi tiga algoritma deep learning, yaitu Temporal Fusion Transformer (TFT), N-BEATS, dan DeepAR, dalam memprediksi harga harian ketiga aset tersebut. Data penelitian berupa harga penutupan, volume, dan kapitalisasi pasar yang diperoleh melalui CryptoDataDownload. Data diproses menggunakan normalisasi Min-Max Scaling, interpolasi linier untuk missing values, serta feature selection Pearson Correlation. Dataset kemudian dibagi ke dalam data pelatihan, validasi, dan pengujian dengan proporsi yang dapat disesuaikan, sehingga memungkinkan analisis pengaruh perbedaan pembagian data terhadap hasil model. Evaluasi dilakukan menggunakan MAE, RMSE, MAPE, dan R², serta uji statistik untuk menilai perbedaan signifikan antar model. Hasil penelitian menunjukkan bahwa N-BEATS memberikan performa terbaik dengan error paling rendah dan R² tertinggi, sementara TFT berada di urutan kedua dengan hasil yang cukup stabil. Sebaliknya, DeepAR secara konsisten memiliki performa terburuk dengan error tinggi dan R² negatif hampir di seluruh aset. Melalui eksperimen intensif, penelitian ini menunjukkan bahwa N-BEATS mengungguli TFT dan DeepAR dalam menjelaskan variansi data pada ketiga aset kripto: BTC, ETH, dan SOL. Pada semua dataset, N-BEATS mencapai nilai R² positif tertinggi di bawah Konfigurasi 2 (hidden size 32, 4 layers, dropout 0.3), dengan puncak 0.90 pada BTC, 0.93 pada ETH, dan 0.55 pada SOL. Nilai MAPE yang sesuai adalah 2.48% untuk BTC, 4.84% untuk ETH, dan 6.55% untuk SOL. Analisis juga mengungkap bahwa variasi ukuran hidden layer, epoch, dropout, jumlah layer, maupun pembagian data memengaruhi stabilitas serta performa prediksi, namun peningkatan kompleksitas tidak selalu menghasilkan performa yang lebih baik. Dengan demikian, N-BEATS dapat diidentifikasi sebagai model paling efektif untuk prediksi harga kripto, sekaligus memberikan kontribusi teoritis bagi pengembangan model peramalan deret waktu dan kontribusi praktis sebagai acuan bagi investor dalam pengambilan keputusan.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution 4.0 International License.
Hak Cipta :
Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:
- Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mengakui bahwa Ranah Research : Journal of Multidisciplinary Research and Development berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
- Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di Ranah Research.
References
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, 1–24. https://doi.org/10.7717/PEERJ-CS.623
CoinmarketCap. (2025). Data Crypto. CoinmarketCap.
Hong, S., An, S., & Jeon, J. J. (2024). Cryptocurrency Price Forecasting using Variational Autoencoder with Versatile Quantile Modeling. International Conference on Information and Knowledge Management, Proceedings, 4530–4537. https://doi.org/10.1145/3627673.3680027
Kraaijeveld, O., & De Smedt, J. (2020). The predictive power of public Twitter sentiment for forecasting cryptocurrency prices. Journal of International Financial Markets, Institutions and Money, 65. https://doi.org/10.1016/j.intfin.2020.101188
Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models. McGraw-Hili Irwin.
Lim, B., Arık, S., Loeff, N., & Pfister, T. (2021). Temporal Fusion Transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting, 37(4), 1748–1764. https://doi.org/10.1016/j.ijforecast.2021.03.012
Liu, Y., Zhong, C., Ma, Q., Jiang, Y., & Zhang, C. (2023). The S&P 500 Index Prediction Based on N-BEATS. Proceedings of the 2nd International Academic Conference on Blockchain, Information Technology and Smart Finance (ICBIS 2023), 2, 923–929. https://doi.org/10.2991/978-94-6463-198-2_96
Oreshkin, B. N., Carpov, D., Chapados, N., & Bengio, Y. (2019). N-Beats: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting. 8th International Conference on Learning Representations, ICLR 2020, 1–31.
Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting, 36(3), 1181–1191. https://doi.org/10.1016/j.ijforecast.2019.07.001
Setiawan, D., Septiarini, T. W., Kurniawan, H., Terbuka, U., & Selatan, T. (2025). Systematic Literature Review: Metode Dan Teknik Peramalan Cryptocurrency. Prosiding Seminar Nasional Sains Dan Teknologi Seri III, 2(1), 1271–1291.
Zahid, M. F., Fitrianto, A., Silvianti, P., & Alamudi, A. (2024). Comparison Between SARIMA and DeepAR with Optuna Hyperparameter Optimization for Estimating Rice Production Data in Indonesia. Indonesian Journal of Statistics and Its Applications, 8(2), 95–111. https://doi.org/10.29244/ijsa.v8i2p95-111