Penerapan Hidden Markov Model untuk Prediksi Pergerakan Harga Bitcoin

Vincent, Vincent (2025) Penerapan Hidden Markov Model untuk Prediksi Pergerakan Harga Bitcoin. Skripsi thesis, Program Studi Teknik Informatika.

	Text cover.pdf - Submitted Version Download (3MB)
	Text bab I.pdf - Submitted Version Download (2MB)
	Text bab II.pdf - Submitted Version Download (5MB)
	Text bab III.pdf - Submitted Version Download (4MB)
	Text bab IV.pdf - Submitted Version Restricted to Registered users only Download (1MB) | Request a copy
	Text bab V.pdf - Submitted Version Download (972kB)
	Text daftar pustaka.pdf - Submitted Version Download (1MB)
	Text lampiran.pdf - Submitted Version Restricted to Registered users only Download (794kB) | Request a copy

Abstract

Pergerakan harga Bitcoin yang sangat fluktuatif dan volatil telah menjadi tantangan bagi para investor dan peneliti dalam melakukan prediksi harga secara akurat. Penelitian ini bertujuan untuk mengimplementasikan metode Hidden Markov Model (HMM) dalam menganalisis dan memprediksi pergerakan harga Bitcoin dengan pendekatan berbasis machine learning. Tujuan utama dari penelitian ini adalah untuk mengembangkan model prediksi yang mampu mengidentifikasi pola tersembunyi dalam data historis harga Bitcoin dan memberikan insight mengenai kondisi pasar, apakah sedang berada dalam tren naik (bullish), tren turun (bearish), atau stabil (sideways). Metode yang digunakan adalah unsupervised learning dengan pendekatan HMM berbasis Gaussian, menggunakan data harga penutupan (close), moving average (MA200), dan volume perdagangan Bitcoin dari tahun 2020 hingga 2025. Proses penelitian mencakup praproses data, ekstraksi fitur, pelatihan model HMM, dan visualisasi hasil berupa klasifikasi status pasar dan analisis transisi antar status. Hasil penelitian menunjukkan bahwa model HMM berhasil mengelompokkan data ke dalam tiga status tersembunyi dengan interpretasi tren yang konsisten terhadap kondisi pasar aktual. Status sideways mendominasi sepanjang periode, diikuti oleh status bearish dan bullish. Durasi rata rata masing-masing status menunjukkan bahwa bearish berlangsung lebih lama dibanding bullish, yang hanya muncul secara singkat. Analisis transisi antar status memperkuat pemahaman terhadap pergerakan pasar kripto. Kesimpulannya, metode HMM terbukti efektif untuk mengidentifikasi pola pergerakan harga Bitcoin dan dapat dijadikan dasar dalam pengembangan sistem prediksi dan peringatan dini di pasar aset digital.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Bitcoin, Hidden Markov Model, Hidden States, Price Prediction, Machine Learning: Bitcoin, Hidden Markov Model, Hidden States, Price Prediction, Machine Learning
Subjects:	000 Karya Umum > 000-009 Ilmu Umum dan Komputer > 006.3 Kecerdasan Buatan
Divisions:	Fakultas Teknik dan Komputer > Teknik Informatika
Depositing User:	Susila Novmbrita
Date Deposited:	08 Nov 2025 07:22
Last Modified:	08 Nov 2025 07:22
URI:	http://repository.upbatam.ac.id/id/eprint/6928

Actions (login required)

View Item

Downloads