PREDIKSI HARGA BITCOIN MENGGUNAKAN MODEL HYBRID LSTM DAN DISTILBERT DENGAN PENDEKATAN LATE FUSION

Abstract

Cryptocurrency, khususnya Bitcoin, merupakan aset digital berbasis teknologi blockchain yang memiliki karakteristik desentralisasi, transparansi, dan volatilitas harga yang sangat tinggi. Fluktuasi harga Bitcoin yang ekstrem dipengaruhi tidak hanya oleh data historis harga, tetapi juga oleh faktor non-teknikal seperti berita, opini publik, dan sentimen pasar yang berkembang secara real-time. Kondisi ini menimbulkan tantangan bagi investor dalam mengambil keputusan investasi yang akurat, sehingga diperlukan sistem prediksi yang mampu mengintegrasikan data numerik dan tekstual secara komprehensif. Penelitian ini bertujuan untuk mengembangkan model prediksi harga Bitcoin mingguan dengan mengombinasikan kemampuan Long Short-Term Memory (LSTM) dalam menganalisis data deret waktu dan Large Language Model (LLM) varian DistilBERT dalam memahami sentimen pasar. Model sLSTM digunakan untuk menangkap pola nonlinier pada data harga historis, sementara DistilBERT dimanfaatkan untuk mengekstraksi representasi sentimen dari berita dan media sosial. Kedua keluaran model tersebut kemudian diintegrasikan menggunakan pendekatan late fusion guna menghasilkan prediksi harga yang lebih akurat dan kontekstual. Tahapan metode penelitian meliputi pengumpulan data historis harga Bitcoin dan data teks media sosial periode 2021-2022. Data harga diproses melalui normalisasi, sementara data teks melalui tahap tokenisasi dan ekstraksi contextual embedding menggunakan DistilBERT. Hasil dari kedua model digabungkan melalui proses concatenation dan fully connected layer. Evaluasi performa model dilakukan menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan R-squared. Penelitian ini diharapkan mampu memberikan kontribusi dalam pengembangan model prediksi harga Bitcoin yang lebih akurat dan adaptif terhadap dinamika pasar kripto.