Hadi, Irfan Abdel (2026) Penerapan algoritma Long Short-Term Memory (LSTM) untuk prediksi harga dan visualisasi sinyal trading Cryptocurrency pada platform TradingView. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
This is the latest version of this item.
|
Text
1_cover.pdf Download (74kB) | Preview |
|
|
Text
2_abstrak.pdf Download (89kB) | Preview |
|
|
Text
3_skbebasplagiarism.pdf Download (354kB) | Preview |
|
|
Text
4_daftarisi.pdf Download (132kB) | Preview |
|
|
Text
5_bab1.pdf Download (337kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text
6_bab2.pdf Restricted to Registered users only Download (468kB) |
|
|
Text
7_bab3.pdf Restricted to Registered users only Download (512kB) |
|
|
Text
8_bab4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text
9_bab5.pdf Restricted to Registered users only Download (169kB) |
|
|
Text
10_daftarpustaka.pdf Restricted to Registered users only Download (173kB) |
|
|
Text
11_lampiran.pdf Restricted to Repository staff only Download (137kB) |
Abstract
Pergerakan harga cryptocurrency yang sangat fluktuatif menimbulkan tantangan besar dalam pengambilan keputusan trading, sehingga diperlukan sistem yang mampu memberikan rekomendasi sinyal secara akurat dan berbasis data. Penelitian ini bertujuan mengimplementasikan algoritma Long Short-Term Memory (LSTM) untuk memprediksi pergerakan harga serta menghasilkan rekomendasi sinyal trading (buy dan sell signal) cryptocurrency yang diintegrasikan langsung pada platform TradingView. Metodologi penelitian mengadopsi kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM). Model LSTM 3 layer dilatih menggunakan data historis OHLCV dari empat aset (Bitcoin, Ethereum, Cardano, dan Algorand) lintas timeframe (1 jam, 4 jam, dan 1 hari) periode 2020 hingga 2026, dengan target prediksi utama difokuskan pada harga penutupan Bitcoin timeframe 4 jam (BTC_4h_close). Fitur masukan diperkaya dengan indikator teknikal RSI, EMA, dan MACD. Hasil pelatihan menunjukkan model mencapai kinerja stabil dengan validation loss sebesar 1,0690×10-4 dan MAE sebesar 0,0080. Pada tahap pengujian data uji (testing set), diperoleh MAE sebesar 571,4659, RMSE sebesar 759,2780, dan MAPE sebesar 0,68%. Hasil prediksi yang dikonversi ke Pine Script v6 di platform TradingView serta diuji melalui backtesting menunjukkan Total Return sebesar 8,24%, Win Rate sebesar 65,85%, Maximum Drawdown sebesar -23,56%, dan Sharpe Ratio sebesar 0,92. Penelitian ini membuktikan bahwa pendekatan LSTM multivariat dan multi timeframe efektif menghasilkan rekomendasi sinyal trading yang presisi dan aplikatif pada grafik interaktif real-time.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Bitcoin; CRISP-DM; Cryptocurrency; Long Short-Term Memory; Sinyal Trading; TradingView |
| Subjects: | Systems > Computer Modeling and Simulation Data Processing, Computer Science > Computers Mathematical Principles Data Processing, Computer Science > Systems Analysis and Computer Design Special Computer Methods > Computer Pattern Recognition |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Irfan Abdel Hadi |
| Date Deposited: | 17 Sep 2026 07:10 |
| Last Modified: | 17 Sep 2026 07:10 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/142583 |
Available Versions of this Item
-
Penerapan algoritma Long Short-Term Memory (LSTM) untuk prediksi harga dan visualisasi sinyal trading Cryptocurrency pada platform TradingView. (deposited UNSPECIFIED)
- Penerapan algoritma Long Short-Term Memory (LSTM) untuk prediksi harga dan visualisasi sinyal trading Cryptocurrency pada platform TradingView. (deposited 17 Sep 2026 07:10) [Currently Displayed]
Actions (login required)
 |
View Item |
