Prediksi Harga Low Price Bitcoin Menggunakan Algoritma XGBoost Berdasarkan Fitur Historis Pasar dan Analisis Sentimen Media

Abstrak. Penelitian ini bertujuan membangun model prediksi harga terendah harian Bitcoin dengan memanfaatkan data historis dan sentimen berita pasar. Harga terendah dipilih sebagai target karena dapat menggambarkan tekanan penurunan harga dalam satu periode. Data penelitian terdiri atas data historis harian Bitcoin dari 1 Januari 2020 sampai 30 Desember 2025 dan data berita pasar. Data historis berjumlah 2.191 baris, sedangkan data berita berjumlah 196 artikel. Data berita diolah menggunakan metode Valence Aware Dictionary and sEntiment Reasoner untuk memperoleh nilai sentimen, kemudian diintegrasikan berdasarkan tanggal dengan data harga. Tahapan penelitian meliputi preprocessing, analisis sentimen, integrasi data, pembentukan fitur teknikal dan fitur keterlambatan waktu, pembagian data secara kronologis, pelatihan model Extreme Gradient Boosting, prediksi, dan evaluasi. Dataset akhir berjumlah 2.184 baris, terdiri atas 1.747 data pelatihan dan 437 data pengujian. Fitur yang digunakan adalah Moving Average, Relative Strength Index, Moving Average Convergence Divergence, Lag_1, Lag_3, Lag_7, dan Sentiment_Score. Hasil evaluasi menghasilkan mean absolute error sebesar 31.270,09, mean squared error sebesar 1.136.040.507,95, root mean squared error sebesar 33.705,20, dan koefisien determinasi sebesar -5,80. Lag_1 menjadi fitur paling dominan dengan kontribusi 75,40%, sedangkan Sentiment_Score hanya sebesar 0,04%. Hasil tersebut menunjukkan bahwa model lebih banyak memanfaatkan informasi historis harga dibandingkan informasi sentimen pada dataset penelitian. Kinerja model pada data pengujian belum optimal sehingga diperlukan pengembangan fitur dan pengujian model pembanding pada penelitian selanjutnya.

Authors

Institutions

Publication Details

Journal
JUKI Jurnal Komputer dan Informatika
Published
2026-11-16
Primary Topic
Stock Market Forecasting Methods
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
article

Prediksi Harga Low Price Bitcoin Menggunakan Algoritma XGBoost Berdasarkan Fitur Historis Pasar dan Analisis Sentimen Media

Nur Aeni Widiastuti, Muhamad Arianto, R. Hadapiningradja Kusumodestoni
JUKI Jurnal Komputer dan Informatika
Stock Market Forecasting Methods
article

Prediksi Harga Low Price Bitcoin Menggunakan Algoritma XGBoost Berdasarkan Fitur Historis Pasar dan Analisis Sentimen Media

Nur Aeni Widiastuti, Muhamad Arianto, R. Hadapiningradja Kusumodestoni
article en

Abstract

Abstrak. Penelitian ini bertujuan membangun model prediksi harga terendah harian Bitcoin dengan memanfaatkan data historis dan sentimen berita pasar. Harga terendah dipilih sebagai target karena dapat menggambarkan tekanan penurunan harga dalam satu periode. Data penelitian terdiri atas data historis harian Bitcoin dari 1 Januari 2020 sampai 30 Desember 2025 dan data berita pasar. Data historis berjumlah 2.191 baris, sedangkan data berita berjumlah 196 artikel. Data berita diolah menggunakan metode Valence Aware Dictionary and sEntiment Reasoner untuk memperoleh nilai sentimen, kemudian diintegrasikan berdasarkan tanggal dengan data harga. Tahapan penelitian meliputi preprocessing, analisis sentimen, integrasi data, pembentukan fitur teknikal dan fitur keterlambatan waktu, pembagian data secara kronologis, pelatihan model Extreme Gradient Boosting, prediksi, dan evaluasi. Dataset akhir berjumlah 2.184 baris, terdiri atas 1.747 data pelatihan dan 437 data pengujian. Fitur yang digunakan adalah Moving Average, Relative Strength Index, Moving Average Convergence Divergence, Lag_1, Lag_3, Lag_7, dan Sentiment_Score. Hasil evaluasi menghasilkan mean absolute error sebesar 31.270,09, mean squared error sebesar 1.136.040.507,95, root mean squared error sebesar 33.705,20, dan koefisien determinasi sebesar -5,80. Lag_1 menjadi fitur paling dominan dengan kontribusi 75,40%, sedangkan Sentiment_Score hanya sebesar 0,04%. Hasil tersebut menunjukkan bahwa model lebih banyak memanfaatkan informasi historis harga dibandingkan informasi sentimen pada dataset penelitian. Kinerja model pada data pengujian belum optimal sehingga diperlukan pengembangan fitur dan pengujian model pembanding pada penelitian selanjutnya.

JUKI Jurnal Komputer dan Informatika
Universitas Islam Nahdlatul Ulama Jepara (ID)
Stock Market Forecasting Methods
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Laika access coming soon