Peramalan Close Price Mata Uang Crypto Solana Menggunakan Jaringan Syaraf Tiruan Model Backpropagation

Forecasting Close Price Of Cryptocurrency Solana Using Artificial Neural Network Backpropagation Model

Dalam beberapa tahun terakhir, mata uang crypto telah menjadi salah satu instrumen keuangan yang paling menarik. Solana, sebagai salah satu mata uang crypto yang berkembang pesat, menawarkan kecepatan dan efisiensi. Dalam hal ini, peramalan harga Solana menjadi hal yang penting bagi para investor dan pelaku pasar. Dalam konteks ini, penelitian ini bertujuan untuk menggunakan Jaringan Saraf Tiruan (JST) dan membandingkan dengan metode ARIMA untuk digunakan dalam peramalan harga close price Solana dengan melihat tingkat akurasi dari nilai MAPE dan MSE yang terkecil. Dalam penelitian ini, peneliti melakukan percobaan dengan menggunakan beberapa variabel input seperti open, high dan low price Solana untuk mencari hasil yang terbaik dalam menggunakan jaringan syaraf tiruan backpropagation dengan melakukan tuning hyperparameter untuk menemukan parameter yang memiliki hasil yang optimal dalam menggunakan jaringan syaraf model tiruan dengan melakukan trial dan error saat penentuan parameter seperti training function, transfer function, momentum, learning rate dan epoch. Untuk ARIMA mencari nilai viii optimal dari nilai P, D dan Q, dengan P melihat hasil dari grafik PACF, Q dari hasil grafik ACF dan D seberapa banyak dilakukan differencing data. Hasil penelitian ini menujukkan bahwa model JST yang optimal dengan menggunakan variabel input High dan Low Price dengan menggunakan parameter seperti transfer function purelin, training function traingdx, momentum sebesar 0.3, learning rate sebesar 0.2, node hidden layer sebanyak 4 dan menghasilkan akurasi MAPE dan nilai MSE terbaik dari model ARIMA dengan hasil 98.9186% dan 1190.01. Sedangkan untuk ARIMA menghasilkan nilai 0 ,1 ,0 sebagai nilai optimalnya menghasilkan akurasi MAPE sebesar 69.9537% dan nilai MSE sebesar 30583.

Kata Kunci : Peramalan, Solana, Jaringan Syaraf Tiruan, Backpropagation, ARIMA, MAPE, MSE

In the last few years, cryptocurrencies have become one of the most attention-grabbing financial instruments. Solana, as one of the rapidly growing cryptocurrencies and efficiency. In this context, forecasting the price of Solana becomes essential for investors and market participants. This research aims to use Artificial Neural Networks (ANN) and compare them with the ARIMA method for forecasting the close price of Solana, considering the accuracy level measured by the smallest MAPE and MSE values. In this study, the researchers conducted experiments using several input variables such as open, high, and low prices of Solana to find the best results using the backpropagation neural network. They performed hyperparameter tuning to discover the optimal parameters in the artificial neural network model, going through trial and error in determining parameters such as the training function, transfer function, momentum, learning rate, and epoch. For ARIMA, they sought the optimal values of P, D, and x Q, with P determined from the PACF graph, Q from the ACF graph, and D from the extent of data differencing. The results of this study showed that the optimal ANN model used the High and Low Price input variables with parameters such as the purelin transfer function, traingdx training function, momentum of 0.3, learning rate of 0.2, and 4 nodes in the hidden layer, resulting in the best MAPE accuracy of 98.9186% and MSE value of 1190.01 compared to the ARIMA model, which achieved an MAPE accuracy of 69.9537% and MSE value of 30583 with optimal values of 0, 1, and 0 for P, D, and Q, respectively.

Keywords: Forecasting, Solana, Artificial Neural Networks, Backpropagation, ARIMA, MAPE, MSE