PENERAPAN DEEP LEARNING UNTUK PREDIKSI BITCOIN MENGGUNAKAN HYPERPARAMETER TUNING BAYESIAN OPTIMIZATION

Bitcoin dikenal dengan volatilitas harga yang ekstrem dan pola non-linear yang kompleks, menjadikannya tantangan tersendiri bagi model prediksi statistik konvensional. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi kinerja arsitektur Deep Learning, meliputi Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), N-BEATS, dan Hybrid CNN-LSTM, untuk memprediksi harga Bitcoin. Guna mengatasi permasalahan efisiensi dan bias pada penentuan parameter manual, penelitian ini mengimplementasikan metode Bayesian Optimization untuk melakukan hyperparameter tuning secara otomatis pada setiap model. Eksperimen dilakukan menggunakan data historis harian dari Yahoo Finance periode 2015 hingga 2025 dengan membandingkan skema pembagian data (80/10/10 dan 70/15/15) serta penggunaan optimizer Adam dan AdamW. Hasil evaluasi menunjukkan bahwa model LSTM dengan skema data 80/10/10 dan optimizer Adam menghasilkan tingkat kesalahan terendah dengan RMSE 2435.20 dan MAPE 2.00%. Sementara itu, model Hybrid CNN-LSTM dengan skema 70/15/15 menunjukkan kemampuan generalisasi terbaik dengan nilai R2 mencapai 0.99506. Penelitian ini menyimpulkan bahwa integrasi Bayesian Optimization efektif dalam menemukan konfigurasi optimal, serta mengidentifikasi adanya trade-off antara presisi jangka pendek dan stabilitas tren jangka panjang antar arsitektur model.