I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631 Vol.
No.
2 Desember 2025 Hal 624-631 Https://ojs.
PREDIKSI PERGERAKAN HARGA ETHEREUM MENGGUNAKAN MACHINE
LEARNING DENGAN ALGORITMA RANDOM FOREST DAN XGBOOST
I Made Candra Girinata1*.
Budi Styawan2.
Arwin Wahyu Saputra3.
M Aidil Arif4.
Arnoldus Janssen Dahur5 1,2,3,4,5 Teknologi Rekayasa Komputer Jaringan.
Politeknik Negeri Tanah Laut E-mail: candragirinata@politala.
id1*, budistyawan@politala.
id2, arwinwahyu@politala.
maidilarif@politala.
id4, arnoldusdahur@politala.
ABSTRACT
INFO ARTIKEL
Sejarah Artikel Diterima : 21/10/2025 Direvisi : 03/11/2025 Diterbitkan : 01/12/2025 *Corresponding author candragirinata@politala.
DOI: 10.
70247/jumistik.
Https://ojs.
GRAPHICAL ABSTRACT
The rapid development of crypto assets, particularly Ethereum, demands accurate price prediction models to support investment strategies and risk This study aims to analyze and compare the performance of two ensemble machine learning algorithms.
Random Forest (RF) and XGBoost, in predicting the daily price of Ethereum.
A historical ETH/USD dataset of 3,423 observations from September 2016 to July 2025 was obtained from the Bitfinex platform.
After undergoing data pre-processing and temporal feature engineering, the dataset was split with an 80:20 ratio for training and testing.
The models were evaluated using Root Mean Square Error (RMSE) and the Coefficient of Determination (RA).
The experimental results show that XGBoost significantly outperformed Random Forest, with an RMSE of 134.
63 and an RA of 0.
In comparison.
Random Forest yielded an RMSE of 208.
45 and an RA of 0.
This finding indicates that the boosting mechanism in XGBoost is more effective at capturing the complexity and volatility of crypto market data.
Keywords: Price Prediction.
Ethereum.
Machine Learning.
XGBoost.
Random Forest.
ABSTRAK
Perkembangan aset kripto yang pesat, khususnya Ethereum, menuntut adanya model prediksi harga yang akurat untuk mendukung strategi investasi dan manajemen risiko.
Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja dua algoritma machine learning ensemble, yaitu Random Forest (RF) dan XGBoost, dalam memprediksi harga harian Ethereum.
Dataset historis ETH/USD sebanyak 3.
423 observasi dari periode September 2016 hingga Juli 2025 diperoleh dari platform Bitfinex.
Setelah melalui tahap pra-pemrosesan data dan rekayasa fitur temporal, dataset dibagi dengan rasio 80:20 untuk pelatihan dan pengujian.
Model dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan Koefisien Determinasi (RA).
Hasil eksperimen menunjukkan bahwa XGBoost secara signifikan mengungguli Random Forest, dengan nilai RMSE 134.
63 dan RA Sebagai perbandingan.
Random Forest menghasilkan RMSE 208.
dan RA 0.
Temuan ini mengindikasikan bahwa mekanisme boosting pada XGBoost lebih efektif dalam menangkap kompleksitas dan volatilitas data pasar kripto.
Kata kunci: Prediksi Harga.
Ethereum.
Machine Learning.
XGBoost.
Random Forest.
A 2025 Penerbit STMIK Amika Soppeng.
All rights reserved .
624Ae631 | w.
id | eISSN 2964Ae3953 | I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631
PENDAHULUAN
Perkembangan crypto asset dalam beberapa tahun terakhir telah menarik minat besar dari kalangan investor, pengembang, dan institusi Banyaknya aplikasi yang muncul untuk mewadahi crypto asset belakangan ini menunjukkan adanya peningkatan minat pengguna yang signifikan di bidang Cryptocurrency.
Fakta ini juga didukung dengan selarasnya jumlah kenaikan harga Bitcoin berbanding lurus dengan lonjakan unduhan aplikasi exchange dan jumlah pengguna baru yang sangat tinggi.
Peningkatan harga Bitcoin yang dipicu oleh pembelian sebagai aset investasi juga mencerminkan dengan inovasi platform seperti Ethereum, yang Jika Bitcoin menarik minat melalui nilai spekulatifnya.
Ethereum menawarkan utilitas lebih jauh dengan smart contracts dan dApps, sehingga mendorong adopsi di sektor-sektor praktis seperti keuangan terdesentralisasi (DeF.
dan manajemen rantai pasok .
Decentralized Finance (DeF.
menunjukkan pertumbuhan luar biasa dengan Total Value Locked (TVL) melonjak dari $50 juta pada tahun 2020 menjadi lebih dari $100 miliar di tahun 2024, membuktikan daya tariknya sebagai alternatif terhadap sistem keuangan tradisional .
DeFi bukan hanya tren tetapi juga evolusi keuangan yang dengan dukungan teknologi dan kebijakan tepat dapat menjadi tulang punggung sistem keuangan masa depan, khususnya di jaringan Ethereum.
Pertumbuhan ini juga didorong oleh kemampuan Ethereum dalam menyediakan infrastruktur yang aman dan terdesentralisasi untuk berbagai aplikasi keuangan, mulai dari lending, borrowing, hingga yield Tren harga Ethereum sangat dipengaruhi oleh pembaruan protokol dan perubahan jaringan, yang secara langsung berdampak pada utilitas dan adopsinya.
Dengan pertumbuhan kapitalisasi pasar yang meningkat mencapai ratusan miliar dolar dalam kurun waktu yang singkat, dapat disimpulkan pentingnya untuk memprediksi harga Ethereum yang akurat untuk manajemen risiko dan strategi investasi .
Volatilitas harga cryptocurrency yang tinggi menciptakan peluang sekaligus risiko besar bagi investor .
Prediksi yang tepat dapat membantu dalam pengambilan keputusan investasi, mitigasi kerugian, dan optimalisasi Beberapa penelitian sebelumnya telah Autoregressive Integrated Moving Average (ARIMA) namun, metode tradisional ini sering kali kurang efektif dalam menangkap pola non-linear dan dinamika pasar yang kompleks .
Oleh karena itu, pendekatan berbasis pembelajaran mesin .
achine learnin.
mulai banyak digunakan karena kemampuannya dalam memproses data berskala besar dan mengidentifikasi pola tersembunyi dari data historis .
Di antara berbagai algoritma pembelajaran mesin.
Random Forest dan XGBoost telah terbukti dapat digunakan dalam prediksi deret waktu finansial.
Algoritma machine learning seperti Random Forest dan XGBoost telah menjadi alat penting untuk memprediksi pergerakan harga aset digital .
, .
Random Forest bekerja dengan bersamaan, dimana setiap pohon memberikan pendapatnya, kemudian hasil akhir ditentukan berdasarkan suara terbanyak.
Cara ini membuat prediksinya lebih stabil dan mengurangi kesalahan.
Keunggulan utamanya adalah kemampuannya bekerja dengan baik meskipun datanya tidak sempurna atau mengandung noise .
, .
XGBoost mengambil pendekatan yang berbeda.
Algoritma ini membangun pohon keputusan satu per satu secara berurutan, dimana setiap pohon baru belajar dari kesalahan pohon sebelumnya.
Proses ini membuat prediksinya semakin akurat seiring bertambahnya jumlah pohon .
Random Forest kemampuannya menangani data dengan fitur beragam .
Sementara itu.
XGBoost diakui keunggulannya dalam optimisasi kecepatan dan akurasi .
Namun, belum banyak penelitian yang secara khusus membandingkan kinerja kedua algoritma ini dalam memprediksi harga Ethereum.
Berdasarkan penelitian ini bertujuan untuk menganalisis dan membandingkan performa algoritma Random Forest dan XGBoost dalam memprediksi pergerakan harga Ethereum.
Hasil penelitian ini diharapkan dapat memberikan kontribusi bagi investor, analis pasar, dan pengembang dalam menyusun strategi berbasis data yang lebih akurat.
Selain itu, temuan ini juga dapat menjadi dasar pengembangan model prediktif yang lebih canggih untuk aset digital di masa depan.
TINJAUAN PUSTAKA
Perkembangan metode machine learning dalam analisis data kompleks telah terbukti efektif melalui berbagai penelitian sebelumnya.
Studi yang dilakukan oleh Wulandari at el.
berhasil membandingkan kinerja Naive Bayes dan SVM untuk analisis sentimen isu politik di Twitter, sementara penelitian yang dilakukan oleh Rahayu at el.
SVM
mengklasifikasikan konten sensitif terkait terorisme.
Meskipun berfokus pada data tekstual, temuantemuan tersebut memberikan landasan berharga untuk pendekatan komparatif algoritma machine Melanjutkan penelitian ini mengalihkan fokus kepada prediksi harga Ethereum sebagai aset kripto yang memiliki karakteristik unik.
Penelitian tentang prediksi harga mata uang kripto menggunakan pembelajaran mesin telah menjadi bidang yang mendapatkan perhatian secara signifikan seiring dengan volatilitas pasar yang ekstrem dan potensi keuntungan finansial yang .
624Ae631 | w.
id | eISSN 2964Ae3953 | I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631 Sifat pasar kripto yang non-linear, dipengaruhi oleh faktor teknis seperti volume perdagangan dan moving averages, fundamental .
egulasi, adopsi institusiona.
, serta sentimen sosial media, menuntut pendekatan pemodelan yang lebih canggih dibandingkan metode statistik tradisional.
Dalam beberapa tahun terakhir, berbagai model pembelajaran mesin dari yang sederhana seperti Linear Regression hingga algoritma kompleks berbasis ensemble seperti Random Forest (RF) dan XGBoost telah dieksplorasi untuk menangkap kompleksitas ini.
Penelitian yang dibuat oleh Tian .
mengeksplorasi prediksi harga dua aset kripto, yaitu Binance Coin (BNB) dan Huobi Token (HT), dengan memanfaatkan empat kelompok fitur yaitu indikator teknis, aset kripto lain, faktor makroekonomi, dan komoditas tradisional serta tiga model machine learning (Random Forest (RF).
Long Short-Term Memory (LSTM), dan XGBoos.
dalam empat jangka waktu prediksi .
, 3, 7, dan 30 har.
Metode penelitiannya melibatkan perbandingan performa berdasarkan dua aspek diantaranya evaluasi ketahanan terhadap outlier menggunakan selisih MAPE dan Median APE, dan evaluasi performa rata-rata dengan MSE.
Hasilnya menunjukkan bahwa prediksi 1 hari unggul dalam stabilitas .
elisih APE terenda.
dan akurasi (MSE ratarata terbaik: 0.
, sementara prediksi 30 hari paling tidak stabil.
Di antara model.
LSTM memiliki konsistensi terburuk dengan selisih performa ekstrem tertinggi, sedangkan RF dan XGBoost menunjukkan ketahanan serupa terhadap outlier.
Penelitian selanjutnya yang dilakukan oleh Zuo .
membandingkan kinerja lima model machine learning Support Vector Machine (SVM).
Random Forest.
Neural Network.
XGBoost, dan LightGBM untuk memprediksi harga Bitcoin menggunakan dataset Metode penelitiannya melibatkan pembagian dataset menjadi training set dan test set .
asio 7:.
, dengan perubahan harga saham sebagai variabel target dan variabel lainnya sebagai input.
Model dievaluasi menggunakan metrik MSE.
RMSE.
MAE.
MAPE, dan RA untuk mengukur akurasi prediksi.
Hasilnya menunjukkan bahwa XGBoost unggul dalam semua metrik evaluasi, diikuti secara berurutan oleh LightGBM.
Random Forest.
SVM, dan Neural Network yang memiliki kinerja terburuk dengan MSE puluhan kali lebih tinggi.
Keunggulan XGBoost terletak pada kemampuannya menangani data berdimensi tinggi dan hubungan nonlinier, sementara Neural Network membutuhkan tuning lebih intensif.
Simpulan penelitian menyatakan XGBoost sebagai pilihan optimal untuk prediksi harga Bitcoin, meskipun mempertimbangkan karakteristik data untuk hasil yang lebih baik.
Perbandingan hasil algoritma XGBoost dengan beberapa algoritma juga telah dilakukan didalam penelitian Terence at el.
yang membandingkan kinerja empat algoritma Machine Learning untuk memprediksi harga Bitcoin, yaitu Long Short-Term Memory (LSTM).
K-Nearest Neighbours (KNN).
Random Forest Classifier (RFC), dan Extreme Gradient Boosting (XGBoos.
Tujuan penelitian ini adalah membantu investor dan trader dalam pengambilan keputusan dengan menyediakan prediksi harga yang akurat.
Metode penelitian menggunakan data historis Bitcoin seperti volume, harga open, high, dan low sebagai variabel input.
Evaluasi performa dilakukan berdasarkan parameter akurasi, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa XGBoost mencapai akurasi di atas 92% dan unggul dalam semua parameter evaluasi dibandingkan ketiga model lainnya, sehingga terbukti sebagai algoritma paling efektif untuk prediksi harga Bitcoin dalam studi ini.
Studi penggunaan algoritma Random Forest juga telah dilakukan oleh Asbullah at el.
untuk memprediksi harga harian cryptocurrency Binance dengan menggunakan dataset yang mencakup 1.
observasi dari periode 1 Januari 2018 hingga 15 Juni 2023, dengan fokus pada PT.
Tennet Depository Indonesia.
Metode penelitian diimplementasikan menggunakan Python, di mana efektivitas prediksi dievaluasi berdasarkan Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE).
Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu memberikan prediksi yang akurat dengan rata-rata MAPE sebesar 1,38% dan RMSE sebesar 4,38, yang mengindikasikan keandalan Keunikan sistem ini terletak pada volatilitas pasar, meskipun keterbatasan data historis dan fluktuasi pasar tetap menjadi tantangan.
Temuan ini dapat menjadi dasar pengembangan model yang lebih adaptif dan kokoh dalam merespons dinamika pasar yang terus berkembang.
Dari berbagai studi terkait prediksi harga aset kripto, dapat dilihat bahwa Random Forest (RF) dan XGBoost memiliki keunggulan komparatif dalam hal akurasi dan stabilitas prediksi.
XGBoost secara konsisten menunjukkan performa terbaik dalam berbagai penelitian dengan kemampuan unggul dalam menangani data berdimensi tinggi dan hubungan nonlinier, seperti yang dibuktikan oleh Tian .
Zuo .
, dan Terence et al.
dengan berbagai metrik evaluasi.
Sementara itu.
Random Forest juga menunjukkan hasil yang kompetitif, terutama dalam ketahanan terhadap outlier dan volatilitas pasar, sebagaimana ditunjukkan dalam penelitian Asbullah et al.
dengan nilai MAPE dan RMSE yang relatif rendah.
Kedua algoritma ini terbukti lebih efektif dibandingkan model lain seperti LSTM.
SVM, atau Neural Network yang memerlukan tuning lebih intensif dan cenderung kurang stabil dalam beberapa kasus.
Temuan-temuan ini mengindikasikan bahwa kemampuan XGBoost dalam menangani kompleksitas data dan ketahanan Random Forest terhadap noise pasar dapat menjadi landasan pengembangan model prediksi yang lebih robust.
Atas dasar itu, maka pada penelitian ini menerapkan kedua algoritma tersebut secara komprehensif dalam memprediksi fluktuasi harga Ethereum aset kripto utama yang volatilitasnya menjadi pusat perhatian investor di pasar digital.
Kajian ini memiliki urgensi tinggi karena masih terbatasnya penelitian yang membandingkan secara mendalam performa algoritma prediktif untuk aset kripto spesifik, terutama dengan pendekatan machine .
624Ae631 | w.
id | eISSN 2964Ae3953 | I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631 learning yang berfokus pada analisis pola pasar dan faktor-faktor penentu harga di ekosistem blockchain.
METODOLOGI PENELITIAN
Diagram alur penelitian pada Gambar 1 menyajikan panduan sistematis bagi peneliti dalam melaksanakan seluruh rangkaian penelitian.
Bagan ini berfungsi sebagai pedoman operasional yang menjamin keterkaitan logis antar setiap tahapan pelaksanaan dengan desain penelitian yang telah pembelajaran terawasi.
Random Forest (RF) dan XGBoost dalam memprediksi harga Ethereum.
Studi Literatur Peneliti mengkaji berbagai literatur akademis dan hasil penelitian terdahulu yang relevan dengan topik memprediksi aset kripto untuk mendapatkan landasan teoritis dan pemahaman menyeluruh tentang rencana penelitian yang akan dilakukan.
Pengumpulan Data Tahap pengumpulan data menempati posisi pelaksanaan penelitian.
Metode pengumpulan data pada penelitian ini menggunakan data sekunder, dimana data diperoleh dari platform pertukaran data dan analisis kripto aset yaitu Bitfinex.
Pra-Pemrosesan Data Pra-pemrosesan fundamental dalam pipeline machine learning yang berfungsi untuk mentransformasikan data mentah menjadi struktur terstandarisasi yang siap digunakan untuk pelatihan model, di mana dalam konteks prediksi harga aset kripto seperti Ethereum, proses ini menjadi semakin krusial mengingat karakteristik unik data finansial berbasis time-series yang meliputi volatilitas tinggi, adanya noise pasar, dan ketidak Tahapan ini tidak hanya mencakup pembersihan data dasar seperti penanganan missing values dan outlier, tetapi juga melibatkan teknik-teknik khusus seperti rekayasa fitur temporal.
Pembagian Dataset Gambar 1.
Diagram Alur Penelitian Sumber: Hasil Olah Data Indentifikasi Masalah Perkembangan aset kripto dalam beberapa tahun terakhir telah menciptakan gelombang minat yang signifikan di kalangan investor, pengembang, dan lembaga keuangan.
Melihat lonjakan kapitalisasi pasar yang mampu menembus ratusan miliar dolar dalam waktu relatif singkat, prediksi harga Ethereum yang akurat menjadi kebutuhan krusial untuk manajemen risiko dan perencanaan investasi .
Tingginya volatilitas yang menjadi ciri khas pasar cryptocurrency menawarkan potensi keuntungan besar namun sekaligus mengandung risiko yang tidak kecil .
Keberadaan model prediksi yang handal dapat menjadi alat vital dalam mendukung keputusan investasi, meminimalkan potensi kerugian, serta meningkatkan kinerja portofolio.
Studi ini secara khusus mengkaji perbandingan kinerja dua algoritma Proses pembagian data dilakukan setelah tahap pembersihan, dimana dataset dipisahkan menjadi dua kelompok utama.
Kelompok pertama adalah data training memiliki persentase sebesar 70% dari jumlah data yang kemudian akan digunakan untuk pembelajaran algoritma, sementara kelompok kedua adalah data testing sebesar 30% dari jumlah data yang akan berfungsi sebagai validasi akhir untuk mengukur kemampuan generalisasi model terhadap data baru yang belum pernah diproses sebelumnya.
Supervised Learning Setelah data dibagi menjadi subset pelatihan dan pengujian, tahap berikutnya adalah membangun model prediktif menggunakan algoritma Random Forest (RF) dan XGBoost.
Kedua algoritma ini dipilih karena keunggulannya dalam menangani data timeseries finansial yang kompleks .
, .
Random Forest dengan pendekatan ensemble berbasis bagging-nya mampu menangkap hubungan nonlinear antar variabel pasar sekaligus mengurangi risiko overfitting melalui mekanisme voting dari multiple decision trees, sementara XGBoost yang mengadopsi teknik gradient boosting secara iteratif mampu mengoptimalkan loss function untuk data yang sangat dinamis seperti pergerakan harga kripto.
Baik Random Forest (RF) maupun XGBoost diimplementasikan .
624Ae631 | w.
id | eISSN 2964Ae3953 | I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631 secara paralel namun terpisah dalam membangun model prediksi harga Ethereum, dimana masingmasing algoritma bekerja dengan pendekatan yang RF menggunakan metode ensemble berbasis bagging dengan multiple decision trees yang bekerja secara independen, sementara XGBoost mengadopsi teknik boosting yang berfokus pada koreksi error bertahap - untuk kemudian hasil prediksi dari kedua model tersebut dibandingkan secara komprehensif melalui berbagai metrik evaluasi.
Evaluasi Metrik evaluasi seperti RMSE (Root Mean Square Erro.
MAE (Mean Absolute Erro.
, dan R-squared diterapkan secara komprehensif untuk menganalisis performa prediktif kedua model.
, dimana RMSE memberikan bobot lebih besar pada error yang signifikan.
MAE menilai rata-rata kesalahan absolut tanpa mempertimbangkan arah deviasi sehingga cocok untuk mengevaluasi konsistensi prediksi, sedangkan R-squared mengkuantifikasi seberapa baik variasi harga Ethereum dapat dijelaskan oleh model, ketiga metrik ini saling melengkapi dalam menentukan algoritma mana antara Random Forest dan XGBoost yang mampu memberikan akurasi lebih tinggi sekaligus stabilitas prediksi yang lebih baik dalam menangkap volatilitas harga ETH yang fluktuatif, terutama pada kondisi pasar ekstrem seperti saat bull run atau market crash.
Hasil dan Kesimpulan Pada tahap konklusi penelitian ini, menyajikan hasil analisis prediksi harga Ethereum menggunakan dua algoritma machine learning, yaitu Random Forest (RF) dan XGBoost, yang dievaluasi melalui metrik RMSE.
MAE, dan R-squared untuk mengukur tingkat akurasi prediksi.
Penelitian ini menghasilkan kesimpulan komparatif mengenai efektivitas masing-masing algoritma dalam memprediksi volatilitas harga ETH, pengembangan model yang lebih robust di masa Hasil penelitian ini diharapkan dapat pengembangan teknologi prediksi harga aset kripto, khususnya dalam menghadapi fluktuasi pasar yang tinggi, melalui pendekatan machine learning yang teruji dan dapat diandalkan untuk pengambilan keputusan investasi.
HASIL DAN PEMBAHASAN
Proses Pengumpulan Data Penelitian ini menggunakan data historis Ethereum (ETH) yang diperoleh dari platform pertukaran data dan analisis kripto aset Bitfinex.
ETH/USD (Bitfinex_ETHUSD_.
, dengan total 3.
423 observasi harian yang mencakup rentang waktu hampir sembilan tahun, dimulai dari 3 September 2016 pukul 00:00 hingga 22 Juli 2025 pukul 00:00.
Dataset tersebut mencakup berbagai variabel kunci, termasuk harga pembukaan (Ope.
, harga tertinggi (Hig.
, harga terendah (Lo.
, harga penutupan (Clos.
, serta volume perdagangan yang Volume_ETH .
umlah ETH yang diperdagangka.
dan Volume_Currency .
ilai perdagangan dalam USD).
Fitur-fitur ini menjadi dasar analisis untuk memprediksi pergerakan harga Ethereum.
Sebelum dilakukan analisis prediksi harga, data historis ETH/USD terlebih dahulu melalui tahap pra-pemrosesan data untuk memastikan kualitas data dan konsistensi variabel.
Tabel 1.
Sample Data Perdagangan ETH Volume USD Volume ETH Sumber: Bitfinex Pra-Pemrosesan Data Pra-pemrosesan fundamental dalam analisis data deret waktu finansial, yang bertujuan untuk mentransformasi data mentah menjadi struktur terstandarisasi kompatibel dengan algoritma prediktif.
Pada data historis kripto seperti ETH/USD, proses ini menjadi kritikal karena karakteristik datanya yang mengandung noise, missing values, dan ketidakkonsistenan Tahapan Pra-pemrosesan data tidak hanya meningkatkan kualitas data, tetapi juga memastikan validitas relasi kausal antara variabel prediktor dengan target, sehingga secara signifikan berkontribusi pada performa model machine learning.
Dalam penelitian ini, pra-pemrosesan data diterapkan pada 3.
observasi harian dengan tahapan sebagai berikut:
a Seleksi Variabel Proses diawali dengan seleksi variabel dimana hanya fitur inti seperti timestamp.
OHLC (Open.
High.
Low.
Clos.
Volume USD dan Volume ETH yang dipertahankan, sementara metadata seperti unix dan simbol dieliminasi karena tidak relevan untuk pemodelan prediktif.
a Penanganan Missing Values Zero-filling untuk kolom volume dan weighted price .
erepresentasikan absennya aktivitas Jika perdagangan di suatu waktu, nilainya diisi 0 karena angka nol artinya memang tidak terjadi transaksi sama sekali .
ukan data yang hilan.
Selain itu juga dilakukan pendekatan forward-fill pada data OHLC, karena harga aset seperti Ethereum harus selalu ada .
, nilai yang hilang diisi dengan mengambil harga terakhir yang tercatat sebelumnya.
Misalnya, jika harga "Close" hari ini kosong, sistem akan mengisi .
624Ae631 | w.
id | eISSN 2964Ae3953 | I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631 dengan harga "Close" harganya tidak terputus.
a agar grafik Rekayasa Fitur Temporal Dalam tahap ini dilakukan pemrosesan data deret waktu yang bertujuan menciptakan fiturfitur prediktif baru dengan memanfaatkan informasi historis dan pola temporal untuk meningkatkan akurasi model.
Penggunaan time meningkatkan akurasi prediksi, khususnya dalam konteks analisis deret waktu dan pemodelan machine learning.
Teknik ini berfungsi sebagai alat fundamental untuk mengevaluasi pengaruh nilai-nilai historis .
suatu variabel terhadap nilai terkini atau masa depan, sehingga dinamika temporal seperti tren, pola musiman, dan autokorelasi.
Dalam konteks prediksi harga aset kripto seperti Ethereum, penerapan time lag memungkinkan model untuk mengidentifikasi pola fluktuasi harga jangka pendek dan menengah, serta respons terhadap faktor eksternal yang tercermin dalam data historis, yang pada akhirnya berkontribusi signifikan terhadap peningkatan kinerja prediktif model.
Pada penelitian ini, dilakukan penambahan 7 fitur lag untuk setiap variabel OHLC (Open.
High.
Low.
Clos.
perdagangan yang merepresentasikan pola historis selama seminggu terakhir, dimana setiap fitur lag mencatat nilai variabel pada hari ke-t-1 hingga t-7, serta Prediction_Target yang merepresentasikan harga .
Proses menghasilkan missing values pada 7 baris awal dataset akibat ketiadaan data historis sebelum periode tersebut , sementara pada baris terakhir Prediction_Target karena ketiadaan data masa depan .
Untuk menjaga konsistensi data.
maka dilakukan penghapusan baris yang menyebabkan total observasi akhir berkurang 423 menjadi 3.
415 baris data yang siap digunakan untuk pemodelan prediktif.
Tabel 2.
Sample Data Hasil Pengolahan Open_ High_b Low_b_ Close_ Volum Volum Predicti e_ETH_ e_USD_ on_Tar Sumber: Hasil Olah Data Pembagian Dataset Dari total 3.
415 data yang telah melalui tahap pra-pemrosesan, dilakukan pembagian dataset menjadi dua subset utama dengan proporsi 80:20, yaitu sebanyak 2.
732 data .
%) dialokasikan sebagai data training dan 683 data .
%) sebagai data Skema pembagian ini dipilih untuk memastikan model dilatih pada data historis yang cukup dan diuji pada data yang benar-benar belum pernah dilihat, sehingga dapat dievaluasi kemampuannya dalam memprediksi pergerakan harga Ethereum secara Supervised Learning Implementasi penelitian ini dilakukan menggunakan bahasa pemrograman Python yang dijalankan pada platform Google Colab untuk menerapkan algoritma Random Forest XGBoost.
Python kemampuannya dalam menyediakan library machine learning yang komprehensif seperti Scikit-learn dan XGBoost, yang memungkinkan implementasi efisien dari kedua algoritma tersebut dalam membangun model prediktif berbasis data historis.
Melalui platform Google Colab, proses komputasi yang intensif dapat dijalankan secara optimal dengan memanfaatkan infrastruktur cloud tanpa bergantung pada sumber daya lokal.
Implementasi kode untuk pelatihan model meliputi tahap konfigurasi hyperparameter dan pelatihan model dengan data training seperti yang ditunjukkan pada Gambar 2.
Gambar 2.
Kode RF dan XGBoost Sumber : Hasil Olah Kode (Phyto.
Kode di atas mengimplementasikan dua model machine learning ensemble untuk tugas regresi, yaitu Random Forest dan XGBoost, yang dikonfigurasi dengan parameter yang identik.
Masing-masing .
_estimators=1.
, .
ax_depth=.
, dan random state 5 .
andom_state=.
untuk memastikan hasil yang dapat direproduksi dan kompleksitas setiap pohon individu.
Selanjutnya, setiap model dalam dictionary models di-loop untuk dilakukan proses pelatihan pada data latih (X_train dan y_train yang diubah menjadi array 1D) serta menghasilkan prediksi pada data uji (X_tes.
, sehingga memungkinkan perbandingan performa yang fair antara kedua algoritma pada dataset yang sama.
Evaluasi Kualitas prediksi dari model yang dibangun dinilai menggunakan dua metrik evaluasi, yaitu Root Mean Squared Error (RMSE) dan Koefisien Determinasi (RA).
RMSE digunakan untuk mengukur tingkat akurasi prediksi model dengan menghitung rata-rata akar kuadrat dari selisih antara nilai aktual dan nilai hasil .
624Ae631 | w.
id | eISSN 2964Ae3953 | I Made Candra Girinata et.
al / Vol.
4 No.
2 Desember 2025 hal 624Ae631 Nilai RMSE yang semakin kecil menunjukkan bahwa hasil prediksi model semakin mendekati nilai Perumusan RMSE dapat dituliskan sebagai berikut:
Sementara itu, koefisien determinasi (RA) digunakan untuk mengukur seberapa besar proporsi variasi pada variabel target yang dapat dijelaskan Nilai RA perbandingan antara jumlah kuadrat selisih antara nilai aktual dan nilai prediksi dengan jumlah kuadrat selisih antara nilai aktual dan rata-rata nilai aktual.
Nilai RA berkisar antara 0 hingga 1, di mana nilai yang mendekati 1 menunjukkan bahwa model mampu menjelaskan sebagian besar variasi data.
KESIMPULAN DAN SARAN
Kedua model.
Random Forest dan XGBoost, telah membuktikan diri sebagai alat prediktif yang valid untuk harga Ethereum, dengan kinerja yang melampaui model baseline.
Namun, berdasarkan evaluasi metrik RMSE dan RA.
XGBoost secara signifikan lebih unggul daripada Random Forest.
Keunggulan ini diduga kuat berasal dari mekanisme boosting yang adaptif dan penerapan regularisasi yang ketat pada XGBoost, yang membuatnya lebih cocok untuk menangkap kompleksitas dan noise yang melekat pada data pasar kripto.
Oleh karena itu, untuk aplikasi prediksi harga Ethereum yang memprioritaskan akurasi tinggi.
XGBoost direkomendasikan sebagai model Penelitian lanjutan dapat mengeksplorasi tuning hyperparameter yang lebih mendalam atau mengintegrasikan model ini dengan pendekatan deep learning lainnya untuk akurasi yang lebih baik Rumus RA dinyatakan sebagai berikut :
Dengan demikian, nilai RMSE yang rendah dan nilai RA yang tinggi menunjukkan bahwa model prediksi memiliki kinerja yang lebih baik dalam menjelaskan variasi hubungan antara variabel input dan output secara akurat.
Hasil eksperimen yang dipaparkan pada Tabel 3 , menunjukkan kemampuan dari setiap model dalam memprediksi harga Ethereum.
Namun, terdapat perbedaan kinerja yang signifikan antara keduanya.
Tabel 3.
Hasil Kinerja dari Setiap Model Machine Learning Model
RMSE
Random Forest XGboost Sumber: Hasil Output Program Berdasarkan hasil evaluasi.
XGBoost menunjukkan kinerja prediktif yang lebih unggul dibandingkan Random Forest dalam memprediksi harga Ethereum.
Koefisien Determinasi (RA) XGBoost yaitu bernilai 0.
mengindikasikan kemampuannya menjelaskan 95.
varians data secara signifikan lebih tinggi daripada Random Forest yang bernilai 0.
900 atau 90.
Hal ini menunjukkan tingkat kesesuaian .
oodness-of-fi.
model XGBoost yang lebih baik terhadap data, sehingga mampu menangkap hubungan yang lebih kompleks antara variabel prediktor dan harga Ethereum.
Di sisi lain, nilai Root Mean Square Error (RMSE) XGBoost lebih rendah .
dibandingkan Random Forest .
mengonfirmasi keakuratan yang lebih tinggi.
Selisih 73.
82 ini berarti prediksi XGBoost secara rata-rata lebih mendekati harga aktual, dengan tingkat kesalahan Random Forest 55% lebih besar.
Secara keseluruhan, kinerja XGBoost yang lebih unggul untuk menganalisis data keuangan yang fluktuatif dan rumit.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada semua pihak yang telah memberikan dukungan dan kontribusi dalam pelaksanaan penelitian ini, khususnya kepada institusi dan pembimbing yang telah memberikan arahan dan fasilitas.
DAFTAR PUSTAKA