PREDIKSI HARGA CRYPTOCURRENCY DENGAN METODE LINIER REGRESI
Keywords:
cryptocurrency, harga, linier regresi, prediksiAbstract
Cryptocurrency merupakan mata uang digital yang saat ini sedang naik daun. Namun, harga cryptocurrency sangat fluktuatif dan sulit diprediksi. Oleh karena itu, dibutuhkan suatu metode yang dapat memprediksi harga cryptocurrency dengan akurat. Salah satu metode yang dapat digunakan adalah metode linier regresi. Dalam penelitian ini akan di lihat prediksi harga Cryptocurenncy dengan menggunakan metode linear regresi. Metode linier regresi merupakan metode yang digunakan untuk mencari hubungan antara variabel dependen (variabel yang ingin diprediksi) dengan satu atau lebih variabel independen (variabel yang digunakan untuk memprediksi). Dalam kasus ini, harga cryptocurrency akan menjadi variabel dependen yang akan diprediksi, sedangkan variabel independen yang akan digunakan adalah harga cryptocurrency pada periode sebelumnya, volume transaksi, dan indeks harga pasar (market cap). Dalam penelitian ini dilakukan pengaplikasikian metode linier regresi, pertama-tama dilakukan pengumpulan data harga cryptocurrency, volume transaksi, dan indeks harga pasar selama beberapa periode. Kemudian, data tersebut diolah dengan menggunakan software statistik seperti SPSS atau Excel. Hasilnya adalah model linier regresi yang dapat digunakan untuk memprediksi harga cryptocurrency pada periode selanjutnya. Hasil dari penelitian ini adalah model linier regresi yang dapat memprediksi harga cryptocurrency dengan akurasi sebesar 91,46%. Dengan demikian, metode linier regresi dapat digunakan sebagai alternatif untuk memprediksi harga cryptocurrency.
References
Carlo. Vercellis, Business intelligence?: data mining and optimization for decision making. Wiley, 2008.
M. A. Mondal and Z. Rehena, “Road Traffic Outlier Detection Technique based on Linear Regression,” in Procedia Computer Science, 2020, vol. 171, pp. 2547–2555. doi: 10.1016/j.procs.2020.04.276.
Z. Zakeri, N. Mansfield, C. Sunderland, and A. Omurtag, “Cross-validating models of continuous data from simulation and experiment by using linear regression and artificial neural networks,” Inform Med Unlocked, vol. 21, Jan. 2020, doi: 10.1016/j.imu.2020.100457.
C. H. Huang and S. H. Hsieh, “Predicting BIM labor cost with random forest and simple linear regression,” Autom Constr, vol. 118, Oct. 2020, doi: 10.1016/j.autcon.2020.103280.
S. Matiz and K. E. Barner, “Conformal prediction based active learning by linear regression optimization,” Neurocomputing, vol. 388, pp. 157–169, May 2020, doi: 10.1016/j.neucom.2020.01.018.
D. R. Patel and M. B. Kiran, “A non-contact approach for surface roughness prediction in CNC turning using a linear regression model,” in Materials Today: Proceedings, 2019, vol. 26, pp. 350–355. doi: 10.1016/j.matpr.2019.12.029.
G. Sbrana and A. Silvestrini, “Temi di Discussione Random switching exponential smoothing and inventory forecasting,” 2014.
G. Sbrana and A. Silvestrini, “Forecasting aggregate demand: Analytical comparison of top-down and bottom-up approaches in a multivariate exponential smoothing framework,” Int J Prod Econ, vol. 146, no. 1, pp. 185–198, Nov. 2013, doi: 10.1016/j.ijpe.2013.06.022.
J. Han, M. Kamber, and J. Pei, “Data Mining. Concepts and Techniques, 3rd Edition (The Morgan Kaufmann Series in Data Management Systems),” 2011.
L. Ferbar Tratar, “Forecasting method for noisy demand,” Int J Prod Econ, vol. 161, pp. 64–73, Mar. 2015, doi: 10.1016/j.ijpe.2014.11.019.
A. N. Beaumont, “Data transforms with exponential smoothing methods of forecasting,” Int J Forecast, vol. 30, no. 4, pp. 918–927, 2014, doi: 10.1016/j.ijforecast.2014.03.013.
R. R. Yager, “Exponential smoothing with credibility weighted observations,” Inf Sci (N Y), vol. 252, pp. 96–105, Dec. 2013, doi: 10.1016/j.ins.2013.07.008.
A. B. Koehler, R. D. Snyder, J. K. Ord, and A. Beaumont, “A study of outliers in the exponential smoothing approach to forecasting,” Int J Forecast, vol. 28, no. 2, pp. 477–484, Apr. 2012, doi: 10.1016/j.ijforecast.2011.05.001.
I. Suryani, S. Tinggi, M. Informatika, D. Komputer, N. Mandiri, and R. S. Wahono, “Penerapan Exponential Smoothing untuk Transformasi Data dalam Meningkatkan Akurasi Neural Network pada Prediksi Harga Emas,” Journal of Intelligent Systems, vol. 1, no. 2, 2015, [Online]. Available: http://journal.ilmukomputer.org
E. Prasetyowati, J. Raya Panglegur Km, and J. Timur, “APLIKASI PENENTUAN HARGA POKOK PRODUKSI BATIK MADURA DENGAN METODE ACTIVITY BASED COSTING DAN ANALISIS REGRESI LINIER,” 2018.
M. Hakimah, W. Mistarika Rahmawati, A. Yuldian Afandi, J. Teknik Informatika, F. Teknik Elektro Dan Teknologi Informasi, and I. Teknologi Adhi Tama Surabaya Jl Arief Rachman Hakim, “PENGUKURAN KINERJA METODE PERAMALAN TIPE EXPONENTIAL SMOOTHING DALAM PARAMETER TERBAIKNYA,” 2020.
M. Syafruddin et al., “Metode Regresi Linier untuk Prediksi KebutuhanEnergi Listrik Jangka Panjang (Studi Kasus Provinsi Lampung).”
M. Hakimah, R. R. Muhima, and A. Yustina, “RANCANG BANGUN APLIKASI PERAMALAN PERSEDIAAN BARANG DENGAN METODE TREND PROJECTION,” 2015.
R. Gustriansyah, “ANALISIS METODE SINGLE EXPONENTIAL SMOOTHING DENGAN BROWN EXPONENTIAL SMOOTHING PADA STUDI KASUS MEMPREDIKSI KUANTITI PENJUALAN PRODUK FARMASIDI APOTEK,” 2017.
T. Indarwati, T. Irawati, and E. Rimawati, “PENGGUNAAN METODE LINEAR REGRESSION UNTUK PREDIKSI PENJUALAN SMARTPHONE,” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 6, no. 2, Jan. 2019, doi: 10.30646/tikomsin.v6i2.369.
N. Kusumawati, F. Marisa, and I. Dharma Wijaya, “PREDIKSI KURS RUPIAH TERHADAP DOLLAR AMERIKA DENGAN MENGGUNAKAN METODE REGRESI LINEAR,” JIMP-Jurnal Informatika Merdeka Pasuruan, vol. 2, 2017.
V. M.K and K. K, “A Survey on Similarity Measures in Text Mining,” Machine Learning and Applications: An International Journal, vol. 3, no. 1, pp. 19–28, Mar. 2016, doi: 10.5121/mlaij.2016.3103.
A. Izzah and R. Widyastuti, “Prediksi Harga Saham Menggunakan Improved Multiple Linear Regression untuk Pencegahan Data Outlier,” Kinetik: Game Technology, Information System,
