Pemodelan dan Prediksi Harga Bitcoin menggunakan TimeGPT
DOI:
https://doi.org/10.24252/best.v6i1.58590Keywords:
Bitcoin, TimeGPT, Peramalan Deret Waktu, Prediksi Harga, Model TransformerAbstract
Penelitian ini bertujuan untuk menganalisis dan meramalkan kinerja harga Bitcoin menggunakan pendekatan TimeGPT , sebuah model berbasis transformer yang dikembangkan khusus untuk data deret waktu oleh Nixtla. Dengan pendekatan kuantitatif, studi ini memanfaatkan data historis harga Bitcoin untuk mengidentifikasi pola dan tren melalui kemampuan pemodelan AI modern. TimeGPT , sebagai model pre-trained, memungkinkan analisis tanpa pelatihan tambahan (zero-shot learning) dan memberikan efisiensi dalam peramalan jangka pendek maupun menengah. Metode penelitian mencakup tahap pra-pemrosesan data, pemanfaatan API TimeGPT untuk menghasilkan prediksi, serta evaluasi hasil dengan metrik statistik seperti MAE dan RMSE. Hasil menunjukkan bahwa TimeGPT mampu menangkap volatilitas pasar Bitcoin secara akurat, dengan tingkat kepercayaan prediksi yang tinggi pada periode stabil seperti 2024–2025. Namun, pada proyeksi jangka panjang, model menunjukkan peningkatan ketidakpastian, mencerminkan sensitivitas terhadap variabel eksternal seperti regulasi dan sentimen pasar. Studi ini menyimpulkan bahwa TimeGPT merupakan alat yang unggul dibandingkan metode konvensional (ARIMA, GARCH, LSTM) dalam menangani kompleksitas data kripto, dan dapat digunakan sebagai pendukung pengambilan keputusan investasi, terutama jika dikombinasikan dengan analisis fundamental dan pemantauan pasar secara real-time.
References
Bengio, Y., Goodfellow, I., & Courville, A. (2016). Deep learning. MIT Press.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1
Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2015). Time series analysis: Forecasting and control (5th ed.). Wiley.
Chen, Y., Chen, S., & Li, J. (2020). Predicting Bitcoin price using deep learning: A survey. Journal of Computational Science, 35, 101–113. https://doi.org/10.1016/j.jocs.2019.101113
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Januschowski, T., Gasthaus, J., Wang, Y., Salinas, D., Flunkert, V., & Thuerey, N. (2020). Criteria for classifying forecasting models: A survey and thematic analysis. International Journal of Forecasting, 36(4), 1255–1277. https://doi.org/10.1016/j.ijforecast.2020.03.003
Kristoufek, L. (2015). Bitcoin meets Google Trends and Wikipedia: Quantifying the relationship between phenomena of the Internet era. Scientific Reports, 5, 1–8.
Kumar, S., & Singh, P. (2022). Bitcoin price prediction using machine learning: A comprehensive analysis. Expert Systems with Applications, 198, 116873. https://doi.org/10.1016/j.eswa.2022.116873
Laptev, N., Vanchinathan, J., & Xie, L. (2023). TimeGPT : Pretrained transformer for time series forecasting. In Proceedings of the ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Syamsu Alam, Muh. Jibril Tajibu, Wardihan Sabar, Muh Jamil
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png){kind=logo}
