ANALISIS PREDIKSI TREN CRYPTOCURRENCY BERDASARKAN BERITA ONLINE MENGGUNAKAN MACHINE LEARNING

• ROSADI
• 14207036

---

ABSTRAK

 

ABSTRAK Nama : Rosadi NIM : 14207036 Program Studi : Ilmu Komputer Jenjang : Strata Dua (S2) Konsentrasi : Data Mining Judul Tesis : Analisis Prediksi Tren Cryptocurrency Berdasarkan Berita Online Menggunakan Machine Learning Investasi tidak hanya dapat dilakukan secara konvensional, namun juga dapat dilakukan dengan pemanfaatan teknologi digital. Salah satu pemanfaatan teknologi digital untuk investasi adalah dengan melakukan investasi mata uang
Cryptocurrency. Mata uang Cryptocurrency prinsipnya sama dengan pasar saham yakni memiliki resiko yang cukup tinggi, dan untuk meminimalisir resiko tersebut maka perlu adanya informasi tambahan untuk melakukan prediksi tren harga
Cryptocurrency dengan baik. Salah satu cara untuk melakukan prediksi adalah dengan memanfaatkan Data Mining untuk proses klasifikasi. Pada penelitian ini data yang diambil untuk proses klasifikasi adalah data dari media online berdasarkan kenaikan dan penurunan harga Cryptocurrency, dengan menggunakan model algoritma Random Forest (RF), Decisision Tree (DT), Naïve Bayes (NB), dan FastText dengan perbandingan data 80:20 untuk data Training dan data Testing. Pada penelitian ini penghapusan Common Word berdampak positif terhadap nilai akurasi pada pengujian model. Hasil pengujian tersebut yaitu dengan model
FastText yang dilakukan penghapusan Common Word diatas 49 kata dan menghasilkan nilai akurasi sebesar 92% dengan nilai Precision naik 93%, Precision turun 89%, Recall naik 91%, Recall turun sebesar 92%, F1-Score naik 92%, dan
F1-Score turun sebesar 91%. Hasil tersebut diperoleh dengan penggunaan
Preprocessing sebanyak 8 (delapan) tahapan yaitu Remove Number, Lower Cases,
Remove Punctuation, Stopword Removal, Remove top 45 Common Word,
Indonesian Stemming, Lemmatization dan menghilangkan kata ulang dengan frekuensi diatas 49 kata. Kata Kunci:
Cryptocurrency, Klasifikasi, Data Mining, Accuracy.
 

KATA KUNCI

Analisis,Prediksi Tren,machine learning

---

DAFTAR PUSTAKA

 

DAFTAR PUSTAKA [1] D. Apriadi and A. Y. Saputra, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” Resti, vol. 1, no. 1, pp. 19–25, 2017. [2] R. Sujatha, V. Mareeswari, J. M. Chatterjee, A. A. A. Mousa, and A. E. Hassanien, “A Bayesian regularized neural network for analyzing bitcoin trends,” IEEE Access, vol. 9, pp. 37989–38000, 2021, doi: 10.1109/ACCESS.2021.3063243. [3] Z. Shahbazi and Y. C. Byun, “Improving the cryptocurrency price prediction performance based on reinforcement learning,” IEEE Access, vol. 9, pp. 162651 –162659, 2021, doi: 10.1109/ACCESS.2021.3133937. [4] R. Azhar, A. Surahman, and C. Juliane, “Analisis Sentimen Terhadap Cryptocurrency Berbasis Python TextBlob Menggunakan Algoritma Naïve Bayes,” J. Sains Komput. Inform., vol. 6, pp. 267–281, 2022. [5] A. Fahlevi_, “Proses Data Mining KDD,” 2022. https://sis.binus.ac.id/2021/09/30/proses-data-mining-kdd/. [6] A. Kao and S. R, Natural Language Processing and Text Mining. London: Springer-Verlag, 2007. [7] F. aldi Nugraha, N. H. Harani, and R. Habibi, Analisis Sentimen Terhadap
Pembatasan Sosial Menggunakan Deep learning, 1st ed. Bandung: Kreatif Industri Nusantara, 2020. [8] B. Tannadi, Ilmu Kripto, Pertama. Jakarta: PT Elex Media Komputindo, 2022. [9] Wiley, Data Mining Algorithms Explained Using R. Chenai, India: Jhon Wiley & Sons,Ltd, 2015. [10] F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 577, 2018, doi: 10.25126/jtiik.201855983. [11] S. Wang, J. Ren, and R. Bai, “A Regularized Attribute Weighting Framework for Naive Bayes,” IEEE Access, vol. 8, pp. 225639–225649, 2020, doi: 10.1109/ACCESS.2020.3044946. [12] T. Mehta and G. Deshmukh, “YouTube Ad View Sentiment Analysis using Deep Learning and Machine Learning,” Int. J. Comput. Appl., vol. 184, no. 11, pp. 10–14, 2022, doi: 10.5120/ijca2022922078. [13] K. Valiant, Y. Lukito, and R. G. Santosa, “Sistem Prediksi Harga Saham LQ45 Dengan Random Forest Classifier,” J. Terap. Teknol. Inf., vol. 3, no. 2, pp. 127–136, 2019, doi: 10.21460/jutei.2019.32.187. [14] Y. V. Aritonang, D. P. Napitupulu, M. H. Sinaga, and J. Amalia, “Pengaruh Hyperparameter Pada Fasttext Terhadap Performa Model Deteksi Sarkasme Berbasis Bi-LSTM,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, pp. 2612–2625, 2022, doi: 10.35957/jatisi.v9i3.1331. [15] A. Joulin, E. Grave, P. Bojanowski, and T. Mikolov, “Bag of tricks for efficient text classification,” 15th Conf. Eur. Chapter Assoc. Comput.
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri
Linguist. EACL 2017 - Proc. Conf., vol. 2, pp. 427–431, 2017, doi: 10.18653/v1/e17-2068. [16] M. K. DR. MARIA SUSAN ANGGREANY, S.KOM., “Confusion Matrix,” 2022. https://socs.binus.ac.id/2020/11/01/confusion-matrix/. [17] F. A. Nugraha, N. H. Harani, and R. Habibi, Analisis Sentimen Terhadap
Pembatasan sosial dengan menggunakan Deep Learning. Bandung: Kreatif Industri Nusantara, 2020. [18] I. Tahyudin, faiz ichsan Jaya, A. Susi, N. Syafi’ah, A. Mawaddah alfathani, and M. Purwati, Pengenalan Machine learning dengan
menggunakan jupyter notebook. Banyumas: Zahira Media Publisher, 2020. [19] G. Widodari, “Pengenalan Library BeautifulSoup,” Nural, 2022. https://learn.nural.id/course/data-science/web-scrappingbeautifulsoup/pengenalan-library-beautifulsoup. [20] D. Lien Minh, A. Sadeghi-Niaraki, H. D. Huy, K. Min, and H. Moon, “Deep learning approach for short-term stock trends prediction based on two-stream gated recurrent unit network,” IEEE Access, vol. 6, pp. 55392– 55404, 2018, doi: 10.1109/ACCESS.2018.2868970. [21] H. Liu, “Leveraging Financial News for Stock Trend Prediction with Attention-Based Recurrent Neural Network,” pp. 1 –24, 2018, [Online]. Available: http://arxiv.org/abs/1811.06173. [22] A. D. Arisandi and L. Atika, “Prediksi Mata Uang Bitcoin Menggunakan LSTM Dan Sentiment Analisis Pada Sosial Media,” J. Ilm. Komputasi, vol. 19, no. 4, pp. 559–566, 2020, doi: 10.32409/jikstik.19.4.370. [23] N. Ichsan et al., “Implementasi orange data mining untuk prediksi harga bitcoin,” vol. 4, no. 2, pp. 118–125, 2022. [24] C. Bai, T. White, L. Xiao, V. S. Subrahmanian, and Z. Zhou, “C2P2: A collective cryptocurrency up/down price prediction engine,” Proc. - 2019
2nd IEEE Int. Conf. Blockchain, Blockchain 2019, pp. 425–430, 2019, doi: 10.1109/Blockchain.2019.00065. [25] A. Inamdar, A. Bhagtani, S. Bhatt, and P. M. Shetty, “Predicting cryptocurrency value using sentiment analysis,” 2019 Int. Conf. Intell.
Comput. Control Syst. ICCS 2019, no. Iciccs, pp. 932–934, 2019, doi: 10.1109/ICCS45141.2019.9065838. [26] N. Afrianto, D. H. Fudholi, and S. Rani, “Prediksi Harga Saham Menggunakan BiLSTM dengan Faktor Sentimen Publik,” J. RESTI
(Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 1, pp. 41–46, 2022, doi: 10.29207/resti.v6i1.3676. [27] R. Parlika, S. I. Pradika, A. M. Hakim, and K. R. N. M, “Analisis Sentimen Twitter Terhadap Bitcoin dan Cryptocurrency Berbasis Python TextBlob,”
J. Ilm. Teknol. Inf. dan Robot., vol. 2, pp. 33–37, 2020. [28] D. Maulina and R. Sagara, “Klasifikasi Artikel Hoax Menggunakan Support Vector Machine Linear Dengan Pembobotan Term FrequencyInverse Document Frequency,” J. Mantik Penusa, vol. 2, no. 1, pp. 35–40, 2018. [29] R. Tineges, A. Triayudi, and I. D. Sholihati, “Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM),” J. Media Inform. Budidarma, vol. 4, no. 3, p. 650, 2020, doi: 10.30865/mib.v4i3.2181.
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri [30] A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritma Klasifikasi,” J. Teknoinfo, vol. 14, no. 2, p. 115, 2020, doi: 10.33365/jti.v14i2.679. [31] I. Riadi, R. Umar, and F. D. Aini, “Analisis Perbandingan Detection Traffic Anomaly Dengan Metode Naive Bayes Dan Support Vector Machine (Svm),” Ilk. J. Ilm., vol. 11, no. 1, pp. 17–24, 2019, doi: 10.33096/ilkom.v11i1.361.17-24.