Analisis Perbandingan Kinerja Lstm Dan Gru Dalam Permodelan Time Series Harga Penutupan Harian Bitcoin

Abstract

Pergerakan harga Bitcoin yang sangat fluktuatif dan dinamis menuntut adanya analisis data historis yang akurat untuk memahami pola perilaku pasar. Penelitian ini bertujuan membandingkan kinerja model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memodelkan data time series harga penutupan harian Bitcoin. Data sekunder diperoleh dari CoinMarketCap dengan periode pengamatan mulai 1 Januari 2023 hingga 31 Oktober 2025. Metode penelitian menggunakan pendekatan kuantitatif melalui eksperimen komputasional yang meliputi tahapan pra-pemrosesan data, normalisasi Min-Max Scaling, serta pembentukan data sekuens. Dataset dibagi menjadi data latih dan data uji dengan skenario terbaik menggunakan rasio 80:20. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model GRU memiliki kinerja yang lebih unggul dan stabil dalam menangkap pola data historis dibandingkan LSTM. Pada skenario pengujian terbaik, model GRU menghasilkan nilai error yang lebih rendah dengan MAE sebesar 873,64, RMSE 1.050,05, dan MAPE 3,62%. Sementara itu, model LSTM mencatat nilai error yang lebih tinggi dengan MAE 2.024,79, RMSE 2.184,89, dan MAPE 8,36%. Berdasarkan hasil tersebut, disimpulkan bahwa arsitektur GRU yang lebih sederhana terbukti lebih efektif dan efisien dibandingkan LSTM dalam memodelkan data time series harga penutupan harian Bitcoin pada periode penelitian ini.