Prediksi Harga Low Price Bitcoin Menggunakan Algoritma XGBoost Berdasarkan Fitur Historis Pasar dan Analisis Sentimen Media
Year: 2026
Type: article
Abstract: Abstrak. Penelitian ini bertujuan membangun model prediksi harga terendah harian Bitcoin dengan memanfaatkan data historis dan sentimen berita pasar. Harga terendah dipilih sebagai target karena dapat menggambarkan tekanan penurunan harga dalam satu periode. Data penelitian terdiri atas data historis harian Bitcoin dari 1 Januari 2020 sampai 30 Desember 2025 dan data berita pasar. Data historis berjumlah 2.191 baris, sedangkan data berita berjumlah 196 artikel. Data berita diolah menggunakan metode Valence Aware Dictionary and sEntiment Reasoner untuk memperoleh nilai sentimen, kemudian diintegrasikan berdasarkan tanggal dengan data harga. Tahapan penelitian meliputi preprocessing, analisis sentimen, integrasi data, pembentukan fitur teknikal dan fitur keterlambatan waktu, pembagian data secara kronologis, pelatihan model Extreme Gradient Boosting, prediksi, dan evaluasi. Dataset akhir berjumlah 2.184 baris, terdiri atas 1.747 data pelatihan dan 437 data pengujian. Fitur yang digunakan adalah Moving Average, Relative Strength Index, Moving Average Convergence Divergence, Lag_1, Lag_3, Lag_7, dan Sentiment_Score. Hasil evaluasi menghasilkan mean absolute error sebesar 31.270,09, mean squared error sebesar 1.136.040.507,95, root mean squared error sebesar 33.705,20, dan koefisien determinasi sebesar -5,80. Lag_1 menjadi fitur paling dominan dengan kontribusi 75,40%, sedangkan Sentiment_Score hanya sebesar 0,04%. Hasil tersebut menunjukkan bahwa model lebih banyak memanfaatkan informasi historis harga dibandingkan informasi sentimen pada dataset penelitian. Kinerja model pada data pengujian belum optimal sehingga diperlukan pengembangan fitur dan pengujian model pembanding pada penelitian selanjutnya.
Institution: Universitas Islam Nahdlatul Ulama Jepara
Language: English
Field: Decision Sciences
Domain: Social Sciences
Keywords: Bitcoin price prediction, XGBoost, news sentiment analysis, technical indicators, moving average, relative strength index, MACD, lag features, cryptocurrency market, feature importance, price history, feature engineering, model evaluation, feature selection, feature transformation, feature scaling, feature encoding
Open Access status: diamond
OpenAlex ID: W7235821544
