Perbandingan Algoritma Random Forest dan Support Vector Machine (SVM) untuk Prediksi Tren Pasar Cryptocurrency Berbasis Website
Keywords:
cryptocurrency, prediksi tren, Random Forest, SVM, websiteAbstract
Pasar cryptocurrency memiliki karakteristik yang sangat fluktuatif dan sulit diprediksi secara manual, sehingga dibutuhkan pendekatan berbasis machine learning untuk membantu dalam menganalisis tren harga. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam memprediksi tren pasar cryptocurrency, serta mengembangkan sistem prediksi berbasis website yang dapat diakses oleh pengguna. Penelitian ini menggunakan metode pengembangan perangkat lunak Waterfall dan data historis Bitcoin serta Ethereum yang diperoleh dari CoinGecko. Proses pengolahan data mencakup pembersihan, pelabelan tren, serta pelatihan model dengan algoritma Random Forest dan SVM. Hasil pengujian menunjukkan bahwa kedua algoritma menghasilkan akurasi yang sangat tinggi, yaitu 100% untuk Bitcoin dan 98,61% untuk Ethereum. Sistem berhasil dikembangkan menggunakan framework Flask dan Chart.js, dengan fitur pelatihan model, prediksi otomatis, dan visualisasi grafik harga. Kesimpulannya, algoritma yang digunakan sama-sama efektif dalam memprediksi tren pasar kripto, dan sistem yang dibangun dapat dijadikan alat bantu analisis bagi pengguna.
References
Akbar Rismayadi, A., Wahyudi Febrianto, R., Rachmat Raharja, A., & Hariyanti, I. (2024). Ifani Hariyanti Perbandingan Kinerja Metode Machine Learning SVM, Random Forest, dan KNN dalam Prediksi Harga Saham Apple.
Fahrezi, K., Mulana, A. R., Melinda, S., Nurhaliza, N., & Mulyati, S. (2021). Penerapan Model Waterfall dalam Pengembangan Sistem Informasi Akademik Berbasis Web sebagai Sistem Pengolahan Nilai Siswa. Jurnal Teknologi Sistem Informasi Dan Aplikasi, 4(2), 98. https://doi.org/10.32493/jtsi.v4i2.10196
Filemon, B., Mawardi, V. C., & Perdana, N. J. (2022). PENGGUNAAN METODE SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI SENTIMEN E-WALLET. Jurnal Ilmu Komputer Dan Sistem Informasi, 10(1). https://doi.org/10.24912/jiksi.v10i1.17824
Karim, A. A., Ary Prasetyo, M., & Saputro, M. R. (2023). Perbandingan Metode Random Forest, K-Nearest Neighbor, dan SVM Dalam Prediksi Akurasi Pertandingan Liga Italia (Vol. 2). http://www.football-data.co.uk.
Kencana Putri, A., & Ichsanuddin Nur, D. (2023). PENGGUNAAN BAHASA PYTHON UNTUK ANALISIS DAN VISUALISASI DATA PENDUDUK DI DESA SUMBERJO, NGANJUK. In Jurnal Pengabdian Kepada Masyarakat (Vol. 3, Issue 3). https://jurnalfkip.samawa-university.ac.id/karya_jpm/index
Miftahusalam, A., Febby Nuraini, A., Khoirunisa, A. A., & Pratiwi, H. (2024). Perbandingan Algoritma Random Forest, Naïve Bayes, dan Support Vector Machine Pada Analisis Sentimen Twitter Mengenai Opini Masyarakat Terhadap Penghapusan Tenaga Honorer.
Moch Farryz Rizkilloh, & Sri Widiyanesti. (2022). Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM). Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(1), 25–31. https://doi.org/10.29207/resti.v6i1.3630
Nalatissifa, H., Gata, W., Diantika, S., & Nisa, K. (2021a). Perbandingan Kinerja Algoritma Klasifikasi Naive Bayes, Support Vector Machine (SVM), dan Random Forest untuk Prediksi Ketidakhadiran di Tempat Kerja. Jurnal Informatika Universitas Pamulang, 5(4), 578. https://doi.org/10.32493/informatika.v5i4.7575
Naufal Hasani, M., Ramadhan, M., Mariyani, K., Setiawan, R., & Sucidha, I. (2022). JURNAL ILMIAH EKONOMI BISNIS ANALISIS CRYPTOCURRENCY SEBAGAI ALAT ALTERNATIF DALAM BERINVESTASI DI INDONESIA PADA MATA UANG DIGITAL BITCOIN. http://ejournal.stiepancasetia.ac.id/index.php/jiebJilid
Novianto, E., Suhirman, S., & Prasetyo, D. (2024). PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM MEMPREDIKSI CAPAIAN STUDI MAHASISWA. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 9(4), 1821–1833. https://doi.org/10.29100/jipi.v9i4.5423
Nurkhaliza, A. A., & Wijayanto, A. W. (2022a). Perbandingan Algoritma Klasifikasi Support Vector Machine dan Random Forest pada Prediksi Status Indeks Mitigasi dan Kesiapsiagaan Bencana (IMKB) Satuan Kerja BPS di Indonesia Tahun 2020. Maret, 7(1), 2622–4615. https://doi.org/10.32493/informatika.v7i1.16117
Purbolaksono, M. D., Irvan Tantowi, M., Imam Hidayat, A., & Adiwijaya, A. (2021). Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 393–399. https://doi.org/10.29207/resti.v5i2.3008
R. Adrian, M., P. Putra, M., H. Rafialdy, M., & A. Rakhmawati, N. (2021). Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB.
Regina Lo, Alfred Edbert Yunanto, Rasya Nuhaifa Movia, Lambert Aditama Soehardjianto, Ferdinand Wangsa, Natalie Asdyo Lidjaja, & Rahmi Yulia Ningsih. (2023). Penggunaan Bahasa Pemrograman Python dalam Menganalisis Hubungan Kualitas Kopi dengan Lokasi Pertanian Kopi. Jurnal Publikasi Teknik Informatika, 2(2), 100–109. https://doi.org/10.55606/jupti.v2i2.1752
Saadah, S., & Salsabila, H. (2021). Jurnal Politeknik Caltex Riau Prediksi Harga Bitcoin Menggunakan Metode Random Forest (Studi Kasus: Data Acak Pada Awal Masa Pandemic Covid-19). In Jurnal Komputer Terapan (Vol. 7, Issue 1). https://jurnal.pcr.ac.id/index.php/jkt/
Samantri, M. (2024). Perbandingan Algoritma Support Vector Machine dan Random Forest untuk Analisis Sentimen Terhadap Kebijakan Pemerintah Indonesia Terkait Kenaikan Harga BBM Tahun 2022. Jurnal Teknologi Informasi Dan Komunikasi), 8(1), 2024. https://doi.org/10.35870/jti
Septiana, I., & Alita, D. (2024). Perbandingan Random Forest dan SVM dalam Analisis Sentimen Quick Count Pemilu 2024. Jurnal Informatika: Jurnal Pengembangan IT, 9(3), 224–233. https://doi.org/10.30591/jpit.v9i3.6640
Syauqi, A., Jinan, I., & Id, S. J. (2024). Studi Literatur Penerapan Machine Learning untuk Analisis Data Konsumen pada Minat Beli Konsumen. https://doi.org/10.38035/jmpd.v2i4
Andriani, F., & Syamsuddin, I. (2021). Penerapan algoritma Random Forest untuk prediksi harga saham berbasis data historis. Jurnal Teknologi dan Sistem Komputer, 9(2), 127–133.
Fadillah, F., Rahmawati, I., & Suryani, A. (2022). Analisis perbandingan algoritma Random Forest dan SVM dalam klasifikasi harga kripto. Jurnal Ilmu Komputer dan Aplikasinya, 4(1), 33–40.
Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. New York Institute of Finance.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Saputra, A. D., & Lestari, R. (2020). Klasifikasi sentimen menggunakan algoritma Support Vector Machine dan Naive Bayes. Jurnal Informatika Universitas Pamulang, 5(1), 23–29.
Sutrisno, A., & Pratama, R. Y. (2023). Pengembangan sistem prediksi harga cryptocurrency menggunakan metode Waterfall. Jurnal Teknologi Informasi dan Terapan, 10(1), 45–52.
