OPTIMASI DEEP SEQUENCE MODEL PADA PREDIKSI
PERGERAKAN HARGA ASET KRIPTO DOGECOIN (DOGE)

TERHADAP DOLAR AMERIKA (USD)

Oleh

RENDA SANDI SAPUTRA
9882405121111020

Pergerakan harga aset kripto yang sangat fluktuasi menjadi tantangan dalam proses
prediksi bagi kebanyakan investor. Beberapa penelitian sebelumnya telah
mencakup proses tuning hyperparameter, namun tidak disertai eksplorasi fungsi
aktivasi yang optimal. Selain itu, ada juga yang telah mengeksplorasi tuning
hyperparameter dan fungsi aktivasi, tetapi hanya terbatas pada satu atau dua model,
seperti LSTM dan GRU, tanpa melibatkan RNN. Penelitian ini bertujuan untuk
mengevaluasi dan membandingkan performa tiga arsitektur model deep sequential,
yaitu Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), dan
Gated Recurrent Unit (GRU), dalam memprediksi harga Dogecoin terhadap dolar
Amerika Serikat (USD). Selain itu, penelitian ini juga menganalisis pengaruh
tuning hyperparameter dan pemilihan fungsi aktivasi (ReLU, tanh, sigmoid, dan
softplus) terhadap performa model, baik sebelum maupun sesudah proses tuning.
Metode yang digunakan mencakup preprocessing data, pembuatan dataset
sekuensial, pelatihan model deep learning, penerapan tuning parameter, serta
evaluasi menggunakan metrik RMSE, MAE, MAPE, dan R2, disertai visualisasi
hasil prediksi dan kurva pelatihan. Hasil penelitian menunjukkan bahwa sebelum
tuning, model GRU dengan fungsi aktivasi ReLU memberikan performa terbaik
dengan R2 sebesar 0.9841 dan MAPE 3.89%. Namun setelah tuning, performa
optimal dicapai oleh model RNN dengan fungsi aktivasi tanh, yang memperoleh R2
sebesar 0.9832 dan MAPE 4.17%, dengan waktu pelatihan dan prediksi yang jauh
lebih efisien dibanding model lainnya. Tuning hyperparameter terbukti
berpengaruh terhadap performa model, namun dampaknya tidak selalu positif
terutama pada model LSTM dengan aktivasi softplus yang mengalami penurunan
akurasi signifikan. Visualisasi hasil prediksi mendukung temuan ini, di mana model
terbaik menghasilkan garis prediksi yang mengikuti pola aktual secara konsisten,
sedangkan model dengan performa rendah cenderung mengalami deviasi dan gagal
menangkap dinamika harga. Temuan ini menunjukkan bahwa pemilihan arsitektur,
fungsi aktivasi, dan tuning yang tepat sangat menentukan keberhasilan prediksi
harga kripto berbasis deep learning.
Kata Kunci: Deep Sequential Model, Prediksi, Aset Kripto, Dogecoin, Tuning

Bayesian