Implementasi Metode Random Forest dan Support Vector Regression dalam Memprediksi Harga Cryptocurrency Ethereum
DOI:
https://doi.org/10.31605/jomta.v8i1.6189Keywords:
Ethereum, forecasting, MAPE, Random Forest, Support Vector RegressionAbstract
Perkembangan cryptocurrency menjadikan Ethereum (ETH) sebagai salah satu aset digital penting, namun pergerakan harganya sangat volatil karena dipengaruhi oleh berbagai faktor fundamental dan eksternal. Kondisi tersebut menyebabkan prediksi harga close ETH menjadi permasalahan utama karena akurasi peramalan sangat menentukan analisis dan pengambilan keputusan berbasis data. Penelitian ini bertujuan membangun serta membandingkan model prediksi harga close Ethereum menggunakan Random Forest dan Support Vector Regression (SVR) untuk forecasting 30 hari ke depan. Data yang digunakan berupa harga harian Ethereum periode 1 Januari 2020 hingga 30 Desember 2024 dari Yahoo Finance, kemudian dilakukan pra-pemrosesan, standarisasi, dan pembagian data train-test 80:20 dengan menjaga urutan waktu. Feature engineering dibagun dari harga close melalui MA 7, EMA 7, dan lag return 7, serta diterapkan exponential smoothing untuk mengurangi noise. Model Random Forest dan SVR dioptimasi menggunakan Grid Search CV, kemudian dievaluasi menggunakan metrik MAPE. Hasil tuning menunjukkan konfigurasi terbaik Random Forest adalah max depth = 10 dan total estimator = 90. Konfigurasi terbaik SVR adalah kernel linear dengan C = 10, ε = 0.5, dan γ = scale. Evaluasi MAPE menunjukkan Random Forest lebih unggul dengan MAPE train 1,37% dan test 2,04%, sedangkan SVR menghasilkan MAPE train 5,83% dan test 2,22%. Secara keseluruhan, kedua model memberikan akurasi prediksi yang sangat baik, namun Random Forest menunjukkan kinerja lebih stabil dan akurat pada data pengujian. Model Random Forest kemudian digunakan untuk forecasting harga close ETH 30 hari ke depan sebagai estimasi jangka pendek yang cenderung stabil dan mengikuti tren data pengujian.
References
[2] G. Dudek, P. Fiszeder, and W. Orzeszko, “Forecasting cryptocurrencies' volatility using statistical and machine learning methods: A comparative study,” Applied Soft Computing, vol. 151, 2024, doi: 10.1016/j.asoc.2023.111132.
[3] M. A. Fatah, A. R. Dikananda, and A. Rifai, “Support vector regression to improve ethereum price prediction for trading strategies,” Journal of Artificial Intelligence and Engineering Applications, vol. 4, no. 2, pp. 738–744, 2025.
[4] S. A. Khoiri and A. Wahid, “Analisis kinerja algoritma machine learning dalam prediksi harga cryptocurrency,” Jurnal Sistem dan Teknologi Informasi Indonesia, vol. 9, no. 2, pp. 133–141, 2024.
[5] K. Murray, A. Rossi, D. Carrao, and A. Viesntin, “On forecasting cryptocurrency prices: A comparison of machine learning, deep learning, and ensembles,” Forecasting, vol. 5, pp. 196–209, 2023.
[6] P. N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining. Boston, MA, USA: Pearson Addison-Wesley, 2006.
[7] G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning: with Applications in R. New York, NY, USA: Springer, 2013.
[8] A. J. Smola and B. Schölkopf, “A tutorial on support vector regression,” Statistics and Computing, vol. 14, no. 3, pp. 199–222, 2004, doi: 10.1023/B:STCO.0000035301.49549.88.
[9] C.-W. Hsu, C.-C. Chang, and C.-J. Lin, A Practical Guide to Support Vector Classification. Taipei, Taiwan: National Taiwan University, 2003.
[10] A. S. More and D. P. Rana, “Review of random forest classification techniques to resolve data imbalance,” in Proc. 1st Int. Conf. Intelligent Systems and Information Management (ICISIM), 2017, pp. 72–78, doi: 10.1109/ICISIM.2017.8122151.
[11] P.-C. Chang, Y.-W. Wang, and C.-H. Liu, “The development of a weighted evolving fuzzy neural network for PCB sales forecasting,” Expert Systems with Applications, vol. 32, no. 1, pp. 86–96, 2007, doi: 10.1016/j.eswa.2005.11.021.
