Volatilitas harga cryptocurrency menuntut model prediktif yang mampu menangkap pola non-linier secara akurat. Penelitian ini memprediksi harga Bitcoin (BTCUSDT) sebagai aset utama, serta Ethereum (ETHUSDT) dan Ripple (XRPUSDT) sebagai aset pembanding, menggunakan Decision Tree, Random Forest, XGBoost, dan LSTM. Kebaruan penelitian terletak pada analisis kebocoran data temporal dan pengujian kemampuan ekstrapolasi model dalam kerangka eksperimen yang seragam. Data historis harian diproses melalui pembersihan, analisis korelasi, pemilihan variabel, dan pembagian sekuensial 70:30. Target prediksi ditetapkan sebagai harga penutupan satu hari ke depan untuk menghindari kebocoran data, kemudian dievaluasi menggunakan validasi silang berbasis urutan waktu dengan metrik RMSE, MAPE, dan R². Hasil menunjukkan bahwa model terbaik berbeda pada tiap aset: LSTM unggul pada BTC dan XRP, sedangkan Random Forest unggul pada ETH, dengan R² berkisar 0,60–0,98. Model berbasis pohon cenderung menghasilkan prediksi mendatar saat harga uji melampaui rentang data latih. Temuan ini menegaskan pentingnya penentuan target prediksi, validasi temporal, dan evaluasi lintas-aset dalam memilih model prediksi harg
📖 افتح في inklap 🔗 DOI 📮 اطلب بحثاً