Perbandingan Performa Model Prediksi Volatilitas BTC/IDR Menggunakan LSTM dan ARIMA

Abstract

Karakteristik fluktuatif pasar aset kripto yang ekstrem menuntut ketersediaan model peramalan yang andal sebagai penunjang strategi manajemen risiko investasi. Penelitian ini bertujuan untuk membandingkan pendekatan Long Short-Term Memory (LSTM) sebagai model deep learning sekuensial dan Autoregressive Integrated Moving Average (ARIMA) sebagai model statistik deret waktu dalam memprediksi log-volatility Bitcoin pada pasangan BTC/IDR periode 2018–2025. Dataset historis harian BTC/IDR diperoleh dari platform Binance dengan periode observasi Januari 2018 hingga Desember 2025, kemudian diproses melalui perhitungan log-return, estimasi realized volatility berbasis jendela 7 hari, transformasi logaritmik, serta normalisasi data. Evaluasi model menggunakan metode walk-forward validation dengan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model LSTM memperoleh MAE sebesar 0,5126, RMSE sebesar 1,0408, dan R² sebesar 0,6803, sedangkan model ARIMA menghasilkan MAE sebesar 0,5430, RMSE sebesar 1,0217, dan R² sebesar 0,7052 pada konfigurasi terbaiknya. Meskipun LSTM memiliki MAE yang lebih rendah, model ARIMA menunjukkan performa yang lebih unggul berdasarkan nilai RMSE yang lebih kecil dan R² yang lebih tinggi, sehingga lebih efektif dalam menjelaskan variasi data serta menangkap fluktuasi ekstrem pada volatilitas Bitcoin. Secara keseluruhan, hasil penelitian menunjukkan bahwa model ARIMA lebih representatif dalam memodelkan dinamika log-volatility Bitcoin dibandingkan model LSTM. Temuan ini menegaskan bahwa pemilihan model prediksi volatilitas perlu mempertimbangkan karakteristik data yang dinamis dan fluktuatif. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan model prediksi volatilitas yang adaptif, khususnya pada pasar cryptocurrency di Indonesia.