Peramalan Interval Harga Cryptocurrency Ethereum Dengan LSTM yang Terintegrasi dengan Lower-Upper Bound Estimation

Abstract

Long Short-Term Memory (LSTM) merupakan salah satu jenis Recurrent Neural Network yang efektif dalam menangkap ketergantungan jangka panjang pada data deret waktu. Namun demikian peramalan pada metode ini pada umumnya hanya menyajikan nilai peramalan berupa titik dan tidak mencakup peramalan nilai selang yang merupakan nilai penting untuk diketahui. Ethereum, seperti mata uang kripto lainnya, mengalami volatilitas harga tinggi yang disebabkan oleh faktor faktor seperti sentimen pasar, perubahan peraturan, adopsi teknologi, dan kondisi ekonomi global. Volatilitas ini menghadirkan tantangan yang signifikan untuk peramalan harga, karena pergerakan harga dapat menjadi tajam dan tidak dapat diprediksi dalam jangka pendek. Penelitian ini berfokus pada model peramalan interval pada data Ethereum dengan mengintegrasikan jaringan Long Short-Term Memory (LSTM) dengan Lower-Upper Bound Estimation (LUBE) dimana memberikan batas atas dan bawah yang mencerminkan ketidakpastian pasar. Dataset yang digunakan terdiri dari data harga harian Ethereum dari 9 September 2017 hingga 12 Mei 2025. Dua pendekatan peramalan digunakan: peramalan titik menggunakan LSTM standar dan peramalan interval menggunakan kerangka kerja LSTM-LUBE. Hasil penelitian menunjukkan bahwa model peramalan titik mencapai akurasi yang baik, dengan Mean Absolute Percentage Error (MAPE) sekitar 4,82% pada set pelatihan dan 3,6% pada set pengujian. Model prediksi interval menunjukkan keandalan yang kuat, karena semua pengamatan aktual berada dalam interval yang diprediksi. Selain itu, interval secara dinamis menyesuaikan dengan kondisi pasar - melebar selama periode volatilitas tinggi dan menyempit ketika pasar stabil. Hal ini mengindikasikan bahwa model yang diusulkan tidak hanya memberikan estimasi titik yang akurat, tetapi juga secara efektif menangkap ketidakstabilan pasar.

Long Short-Term Memory (LSTM) is a type of Recurrent Neural Network that is effective in capturing long-term dependencies in time series data. However, forecasting in this method generally only presents point forecasting values and does not include interval value forecasting which is an important value to know. Ethereum, like other cryptocurrencies, experiences high price volatility caused by factors such as market sentiment, regulatory changes, technology adoption, and global economic conditions. This volatility presents significant challenges for price forecasting, as price movements can be sharp and unpredictable in the short term. This research focuses on an interval forecasting model on Ethereum data by integrating a Long Short-Term Memory (LSTM) network with Lower-Upper Bound Estimation (LUBE) which provides upper and lower bounds that reflect market uncertainty. The dataset used consists of daily Ethereum price data from September 9, 2017 to May 12, 2025. Two forecasting approaches were used: point forecasting using standard LSTM and interval forecasting using the LSTMLUBE framework. The results show that the point forecasting model achieves good accuracy, with a Mean Absolute Percentage Error (MAPE) of about 4.82% on the training set and 3.6% on the testing set. The interval prediction model shows strong reliability, as all actual observations fall within the predicted interval. Moreover, the intervals dynamically adjust to market conditions - widening during periods of high volatility and narrowing when the market stabilizes. This indicates that the proposed model not only provides accurate point estimates, but also effectively captures market instability.