2681-Article Text-13733-1-10-20230314

Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 273-286 E- ISSN 2503-2933 273
Penerapan Data Mining Untuk Memprediksi Harga

Cryptocurrency Ethereum Menggunakan Metode
Backpropagation Neural Network
Yosef David Wibowo S.1, Ramos Somya2

1,2
Universitas Kristen Satya Wacana; Jl. Diponegoro 56-60, Salatiga, Kec.Sidorejo, Kota
Salatiga, Jawa Tengah 50711, (0298) 321212
3
Jurusan Teknik Informatika, FTI UKSW, Salatiga
e-mail: 1672018049@student.uksw.edu, 2ramos.somya@uksw.edu
Abstrak
Berkembangnya Teknologi Informasi di masa saat ini terutama perkembangan di
bidang keuangan digital membuat masyarakat beralih dari investasi atau menabung secara
manual menjadi secara digital. Perkembangan Teknologi juga menghasilkan sebuah inovasi
baru yaitu Cryptocurrency atau Mata Uang digital yang dibangun dari teknologi Blockchain.
Karena perkembangan keuangan digital, banyak masyarakat yang beralih dari mata uang
konvensional menjadi Cryptocurrency karena keuntungannya yang menjanjikan. Maka dari itu
penelitian ini meneliti tentang penggunaan Backrpropagation Neural Network untuk
memprediksi harga Cryptocurrency yaitu Cryptocurrency Ethereum dan mengetahui seberapa
efektif penggunaan algoritma Backpropagation Neural Network dengan 3 buah aristektur
Backpropagation Neural Network yaitu 3-8-1, 3-9-1 dan 3-10-1, output dari hasil prediksi
Cryptocurrency Ethereum menggunakan algoritma Backpropagation Neural Network dalam
bentuk sistem informasi hasil prediksi cryptocurrency Ethereum berbasis website.
Kata kunci—Konvensional, Cryptocurrency, Blockchain, Backpropagation Neural Network
Abstract
The development of information technology at this time, especially developments in the
field of digital finance, has made people switch from manual investment or storage to digital
finance. Technological developments have also produced a new innovation, namely
Cryptocurrency, or digital currency built on Blockchain technology. Due to the development of
digital finance, many people are switching from conventional currencies to cryptocurrencies
because of the promised benefits. Therefore, this study examines the use of the Backpropagation
Neural Network to predict the price of cryptocurrency, namely Cryptocurrency Ethereum and
finds out how effective the use of the Backpropagation Neural Network algorithm with 3
Backpropagation Neural Network architectures, namely 3-8-1, 3-9-1, and 3-10-1, the output of
the Ethereum Cryptocurrency prediction results using the Backpropagation Neural Network
algorithm in the form of a cryptocurrency prediction information system based on website.
Keywords— Conventional, Cryptocurrency, Blockchain, Backpropagation Neural Network
http://jurnal.mdp.ac.id jatisi@mdp.ac.id
274 Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 273-286 E-ISSN 2503-2933
1. PENDAHULUAN
B erkembangya Teknologi Informasi di saat ini menyebabkan kita seolah-olah diharuskan

ikut arus dalam teknologi yang berkembang pada saat ini. Sebelum adanya kemajuan
teknologi semua kita lakukan dengan cara manual, tetapi ketika teknologi itu berkembang
kita juga harus mengikuti arus teknologi yang ada.
Teknologi yang berkembang hingga saat ini tidak hanya berkembang dalam segi fisik saja
tetapi berkembang juga secara digital. Pada saat ini berkembang aplikasi-aplikasi digital seperti
e-commerce, e-wallet dan bank digital. Berkembangnya teknologi juga merambah di bidang
keuangan[1].
Di saat ini perkembangan keuangan yang sedang populer adalah Cryptocurrency yang
terbuat dengan sistem teknologi blockchain, blockchain membuat semua proses dilakukan
secara otomatis oleh sistem dan tidak bisa dimanipulasi dan sangat mudah dilacak transaksinya
karena menggunakan hash yang berbeda setiap transaksinya[2]. Perkembangan cryptocurrency
pertama adalah Bitcoin yang diciptakan pada tahun 2009 oleh Satoshi Nakamoto, yang sekarang
dijuluki sebagai The Mother of Cryptocurrency karena Bitcoin sebagai pelopor pertama
pembentukan mata uang digital blockchain. Hingga saat ini ada total 12.812 cryptocurrency
yang beredar di seluruh dunia[3].
Berkembang pesatnya Cryptocurrency di Dunia bahkan di Indonesia dan kenaikan harga
yang fantastis membuat masyarakat ingin berinvestasi Cryptocurrency. Investor baru pun ingin
asset cryptocurrency miliknya ingin naik puluhan hingga ratusan persen. Maka Dari itu data
mining bisa menjadi acuan prediksi harga pada masa yang akan datang. Di penelitian yang
penulis buat akan memprediksi harga salah satu cryptocurrency yaitu Ethereum di masa yang
akan datang.
Salah satu cara untuk meminimalkan permasalahan tersebut adalah dengan membuat
sebuah Website yang berisi tentang prediksi harga cryptocurrency Ethereum dengan data hasil
prediksi Backpropagation Neural Network yang bersumber dari dataset harga pembukaan,
penutupan, volume, harga terendah dan harga tertinggi dari hari tersebut. Dataset yang diolah
merupakan dataset harian Ethereum dari tahun 2015 – September 2021.
Melalui latar belakang masalah yang ada, maka dilakukan penelitian yang bertujuan
untuk mengetahui keakuratan prediksi dengan menggunakan algoritma Backpropagation Neural
Network di Cryptocurrency Ethereum serta merancang Sistem Informasi berbasis website yang
berisi informasi hasil prediksi harga Ethereum berupa Grafik dan tabel hasil prediksi.
Pada penelitian Eka Patriya(2020), yang meneliti tentang Implementasi Support Vector
Machine pada Prediksi Harga Saham Gabungan (IHSG). Penelitian ini bertujuan untuk
menemukan suatu trend atau pola yang mungkin berulang dari pergerakan harga saham masa
lalu, sehingga dapat digunakan untuk memprediksi pergerakan harga saham di masa mendatang.
Pada penelitian ini dibuat sebuah model prediksi harga penutupan IHSG menggunakan
algoritma Support Vector Regression (SVR) yang menghasilkan kemampuan prediksi dan
generalisasi yang baik dengan nilai RMSE training dan testing sebesar 14.334 dan 20.281, serta
MAPE training dan testing sebesar 0.211% dan 0.251%. Hasil penelitian ini diharapkan dapat
membantu para investor dalam mengambil keputusan untuk menyusun strategi investasi
saham[4]. Pada penelitian Mohammad Guntur, Julius Santony , Yuhandri (2018), yang meneliti
tentang Prediksi Harga Emas dengan Menggunakan Metode Naïve Bayes dalam Investasi untuk
Meminimalisasi Resiko. Penelitian ini bertujuan untuk memprediksi harga emas yang bisa
membantu pengambil keputusan dalam menentukan apakah harus menjual atau membeli emas.
Berdasarkan hasil perhitungan yang telah dilakukan, metode Naïve Bayes Classifier mampu
digunakan untuk memprediksi harga emas untuk 14 hari kedepan, data yang digunakan untuk
Yosef, et., al [Penerapan Data Mining Untuk Memprediksi Harga Cryptocurrency Ethereum Menggunakan Metode
Backpropagation Neural Network]
IJCCS Vol. x, No–end_page
Jatisi ISSN 2407-4322
pengujian sebanyak 16 data dan diperoleh tingkat akurasi sebesar 75%, dengan hasil ini
diharapkan dapat membantu para investor untuk mengambil keputusan dengan baik[5].
Sedangkan pada penelitian Usman, Dosen STMIK Dipanegara Makassar, meneliti
tentang Prediksi Harga Lada Dengan Menggunakan Neural Network Berbasis Particle Swarm
Optimization. Penelitian ini bertujuan untuk memprediksi harga Lada, Dari hasil penelitian
diperoleh model terbaik pada backpropagation neural network dengan parameter untuk training
cycle 900, learning rate 0.2 dan momentum 0.2, serta neuron size 2 sedangkan pada particle
swarm optimization nilai population size 15, nilai max.of generation 55, nilai inertia weight 1.0,
nilai local best weight 1.0 dan nilai global best weight 1.0 menghasilkan nilai RMSE yang lebih
baik yaitu 0.084 dibandingkan dengan hanya menggunakan BPNN saja yaitu 0.096[6].
Karena belum adanya penelitian mengenai prediksi harga cryptocurrency Ethereum
menggunakan Backpropagation Neural Network, maka dalam penelitian ini akan meneliti
tentang keefektifan penggunaan Backpropagation Neural Network untuk memprediksi harga
Ethereum dengan menghitung nilai error dengan MAPE dari 3 buah arsitektur BNN 3-8-1, 3-9-1
dan 3-10-1, serta membuat website Sistem Informasi hasil Prediksi untuk dapat dilihat oleh
masyarakat umum.
2. METODE PENELITIAN
Metode penelitian yang dilakukan melalui tahapan penelitian yang terbagi dalam 7
tahapan, yaitu : 1) Pengambilan Sampel, 2) Preprocessing Data, 3) Training Data dan Testing
Data, 4) Pembuatan Model Backpropagation Neural Network, 5) Proses Backpropagation
Neural Network 6) Hasil Prediksi, 7) Penulisan laporan hasil penelitian.
Gambar 1. Tahapan Penelitian
r, implies research results (First Author)
Tahapan penelitian pada Gambar 1 dapat dijelaskan sebagai berikut: 1) Tahap pertama
adalah proses pengambilan Sampel, pengambilan sampel yang diambil adalah sampel Dataset
Ethereum dari Agustus 2015 - September 2021. Untuk pengambilan data, data diambil dari
website Kaggle. 2) Tahap kedua adalah proses processing data, setelah data diambil data
kemudian dianalisis atau dengan cara preprocessing data. Proses Prepocessing Data dilakukan
untuk merapikan data yang memiliki missing value, noise dan data yang tidak konsisten.
Tahapan preprocessing data akan menghasilkan data yang dapat diolah dan sesuai dengan yang
diharapkan. Pada tahap ini dilakukan proses cleaning data tabel yang memiliki atribut missing
value, proses cleaning ini akan menghasilkan data yang memiliki atribut yang lengkap. 3) Tahap
ketiga adalah Training Data dan Testing Data. Proses Training dan Testing Data dilakukan
dengan membagi dataset menjadi data training dan data testing, pada penelitian yang dilakukan
pembagian data testing dan training sebesar 80% untuk data training dan 20% untuk data
testing. 4) Tahap keempat adalah pembuatan model Backpropagation Neural Network. 5) Tahap
kelima adalah Proses Backpropagation Neural Network, pada proses ini dilakukan pengujian
dataset yang akan diolah menggunakan algoritma Backpropagation Neural Network. 6) Tahap
keenam adalah Hasil Prediksi, Hasil dari pengolahan data akan menghasilkan hasil akhir yaitu
hasil prediksi yang kemudian hasil prediksi tersebut akan dibandingkan dengan data aslinya. 7)
Tahap ketujuh adalah Penulisan laporan hasil penelitian,. Tahap ini dilakukan dokumentasi
proses penelitian dari tahap awal hingga tahap akhir dalam bentuk tulisan ilmiah[7].
2.1 Arsitektur Backpropagation Neural Network

Backpropagation Neural Network adalah salah satu model jaringan saraf tiruan dengan
arsitektur multilayer yang sering digunakan dengan mencari bobot optimal pada jaringan saraf
tiruan. Jaringan saraf tiruan atau artificial neural network telah berkembang sejak lima puluh
tahun yang lalu. Menurut Fausett (1994) jaringan saraf tiruan merupakan sistem pemrosesan
informasi yang memiliki karakteristik kinerja tertentu yang sama dengan jaringan saraf manusia.
Pada backpropagation neural network, jaringan diberikan sepasang pola yang terdiri atas pola
masukan (input) dan pola yang diinginkan (target)[8]. Gambar contoh arsitektur
Backpropagation Neural Network adalah sebagai berikut :
Gambar 2. Arsitektur BNN Ethereum
Gambar 2, merupakan Arsitektur Backpropagation Neural Network 3-8-1, 3-9-1 dan 3-

10-1 untuk memprediksi harga Ethereum dengan menggunakan 8 hingga 10 hidden layer.
Aristektur ini dibuat untuk memproses data dalam Backpropagation Neural Network, hasil
output dari Arsitektur BNN adalah MAPE (Mean Absolute Percentage Error) dan akurasi,
semaik besar akurasi yang didapat maka prediksi tersebut semakin baik[9].
2.2 MAPE (Mean Absolute Percentage Error)

MAPE atau Mean Absolute Percentage Error merupakan hasil presentase dari suatu
kesalahan atau error mutlak. MAPE merupakan salah satu metode untuk mengetahui apakah
hasil prediksi itu akurat atau tidak. Rumus MAPE adalah sebagai berikut.

= ∑ × 100% [10]
Dimana:
M = mape
n = ukuran sampel
At = nilai data aktual
Ft = nilai data hasil prediksi
MAPE juga memiliki tingkatan keakuratan yaitu, dengan tabel sebagai berikut :
Tabel 1. Interpretasi Nilai MAPE

Nilai MAPE Interpretasi
≤ 10 Hasil Peramalan sangat akurat
10 – 20 Hasil Peramalan Baik
20 - 50 Hasil Peramalan Layak (Cukup Baik)
> 50 Hasil peramalan tidak akurat
MAPE (Mean Absolute Percentage Error) memiliki tingkatan interpretasi yang

menunjukkan tingkat kelayakan hasil Prediksi. Ketika Nilai presentase MAPE kurang dari sama
dengan 10% maka Hasi peramalan sangat akurat, tetapi jika nilai MAPE diatas 50% maka hasil
peramalan tidak akurat dan tidak cocok untuk menjadi hasil peramalan[4].
3. HASIL DAN PEMBAHASAN
Bab ini membahas tentang bagaimana analisis, hasil pelatihan dan pengujian dengan
python, bentuk akhir aplikasi, implementasi dan pengujian sistem.
3.1 Analisis Penutupan Harga Ethereum

Ethereum merupakan salah satu Cryptocurrency dengan marketplace terbesar kedua
setelah Bitcoin. Untuk dapat melakukan prediksi harga Ethereum dengan menggunakan
Algoritma Backpropagation Neural Network diperlukan pengolahan beberapa data yang dapat
mempengaruhi harga penutupan harian Ethereum. Berikut merupakan variabel yang akan
digunakan dalam memprediksi harga Ethereum: 1) Open 2) High 3) Low 4) Close
Tabel 2. X dan Y
Tabel 2, merupakan tabel x dan y yang merupakan variabel yang akan diolah dengan
menggunakan metode Backpropagation Neural Network. x1 merupakan kolom Open, x2
merupakan High, x3 merupakan Low dan y merupakan kolom Close. Hasil prediksi nantinya
akan menjadi kolom Ytarget atau Kolom Prediksi[11].
3.2 Hasil Pelatihan dan Pengujian dengan Python

Untuk melakukan pelatihan data dan pengujian data untuk menghasilkan hasil prediksi
yang sesuai dengan tingkat error terkecil maka dilakukan Pelatihan dan Pengujian variabel yang
akan diolah menggunakan Bahasa pemrograman Python[12], dengan menggunakan platform
Google Colaboratory untuk memudahkan menganalisis dengan tahapan-tahapan, sehingga
memperkecil terjadinya error pada program analisis yang dibuat.
Gambar 3. Grafik Histori Penutupan Harga Ethereum
Gambar 3, merupakan Grafik dari Histori penutupan harian Harga Ethereum dari dataset
yang telah diinputkan, berisi kolom Date dengan tipe data Date, Open, High, Low, Close, Adj
Close dan Volume dengan tipe data float. Data yang diinputkan sebesar 2240 baris dengan
menggambil sampel variable y atau kolom Close dari tanggal 7 Agustus 2015 – 27 September
2021. All Time High atau harga tertinggi pada dataset yang diinputkan adalah pada tanggal 5
Mei 2021 dengan harga penutupan harian sebesar $3928.84.
3.3 Preprocessing Data

Dataset yang telah diinputkan sebelumnya selanjutkan dilakukan proses Preprocessing
data, yang dilakukan supaya menghasilkan data yang berkualitas baik dan siap diteliti ke tahap
selanjutnya. Preprocessing data juga berguna untuk merapihkan data yang akan diolah.
Gambar 4. Proses Preprocessing Data
Gambar 4, merupakan gambar dari proses preprocessing data, proses preprocessing data
atau data cleansing sebelumnya sudah dilakukan secara manual dengan mencari kolom yang
kosong lalu menghapusnya, Preprocessing data menggunakan Bahasa python memudahkan
cleansing data jika ada data null atau data missing yang terlewat.
3.4 Training dan Testing Data

Sebelum melakukan proses pengolahan data dengan algoritma Backpropagation Neural
Network dilakukan inisialisasi variable x dan y.
Gambar 5. Proses Inisialisasi x dan y
Gambar 5, merupakan proses inisialisasi x dan y pada program python, dengan x1 Open,
x2 High, x3 Low dan Y Close. Proses inisialisasi ini didapatkan dari memilah kolom yang akan
diolah dari dataset Ethereum. Data training sebesar 80% dan data testing sebesar 20%, hasil dari
data testing yaitu hasil prediksi adalah 448 baris hasil prediksi.
3.5 Proses Backpropagation Neural Network

Setelah melakukan proses Training dan Testing data Langkah selanjutnya adalah proses
Backpropagation Neural Network. Arsituktur BNN (Backpropagation Neural Network) yang
diolah adalah Arsitektur BNN dengan 8 hidden layer (3 – 8 -1), Arsitektur BNN dengan 9
hidden layer (3 – 9 - 1) dan Aristektur BNN dengan 10 hidden layer (3 – 10 – 1).
Gambar 6. Proses Backpropagation Neural Network
Gambar 7, adalah proses Backpropagation Neural Network arsitektur BNN 3-8-1 dengan
1000 epoch dan 0,001 learning rate dengan menggunakan MAPE(Mean absolute percentage
error). Proses iterasi atau epoch data yang diuji menggunakan arsitektur 3-8-1 mendapatkan
hasil total error MAPE sebesar 1.4694.
3.6 Hasil Prediksi

Setelah dilakukannya proses pengolahan data dengan algoritma Backpropagation Neural
Network, langkah selanjutnya adalah proses Hasil dan Pembahasan. Hasil dari pengolahan
menggunakan Backpropagation Neural Network diubah menjadi file csv dan diinputkan
kedalam Database, yang kemudian diolah menjadi bentuk tabel dan grafik didalam sebuah
aplikasi Sistem Informasi Hasil Prediksi Ethereum[5].
Tabel 3. Perbandingan Prediksi Arsitektur BNN
Tabel 3, merupakan tabel perbandingan prediksi dengan arsitektur BNN 3-8-1, 3-9-1 dan
3-10-1 . Hasil prediksi yang didapatkan dengan menggunakan 20% data testing adalah 448 baris
hasil prediksi. Proses BNN pada arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1 menggunakan 1000
Epoch dan Learning Rate sebesar 0.001 menghasilkan nilai MAPE dari ketiga aristektur sebesar
1.4694, 1.4839 dan 1.4727.
Tabel 4. MAPE
Arsitektur Epoch Learning Rate MAPE
3–8-1 1000 0.001 1.4694
3–9-1 1000 0.001 1.4839
3 – 10 - 1 1000 0.001 1.4727
Tabel 4, merupakan tabel MAPE (Mean Absolute Precentage Error) dari hasil prediksi
dengan Arsitektur BNN 3-8-1, 3-9-1 dan 3-10-1. Hasil nilai MAPE yang terkecil adalah
1.4694% yang merupakan hasil dari pengolahan dengan Arsitektur BNN 3-8-1, dan kedua
adalah 1.4727% dari arsitektur BNN 3-10-1 dan yang terakhir 1.4839% dari arsitektur BNN 3-9-
1. Maka dapat disimpulkan bahwa nilai MAPE tidak bergantung dengan banyaknya Arsitektur
Backpropagation Neural Network. Nilai MAPE dari keseluruhan arsitektur yang diolah adalah
dibawah 10% yang berarti hasil peramalan Sangat Akurat.
3.7 Implementasi Sistem

Implementasi Sistem adalah hasil aplikasi berupa website Sistem Informasi yang dibuat
untuk menampilkan hasil prediksi yang telah diolah sebelumnya.
3. 7.1 Halaman Utama Aplikasi

Halaman utama berisi garis besar isi dari hasil prediksi Ethereum menggunakan
Backpropagation Neural Network dengan 3 arsitektur yaitu 3-8-1, 3-9-1 dan 3-10-1.
Gambar 7. Tampilan Halaman Utama Sistem Informasi Hasil Prediksi
Gambar 7 adalah halaman utama dari sistem. Halaman ini akan muncul ketika username
dan password yang dimasukkan sudah valid dengan Database. Halaman menu Dashboard tidak
akan muncul jika username dan password yang dimasukkan tidak valid. Halaman utama sistem
memiliki 5 menu utama, yakni Menu Dashboard, Tambah Data, Lihat Data, Chart dan Search.
Pada tampilan Dashboard berisi icon total data, live chart Ethereum dan Notes penjelasan
singkat hasil prediksi.
3. 7.2 Halaman Lihat Data

Pada halaman Lihat Data berisi Tabel Ethereum, Tabel Data Prediksi dan Tabel Data
Admin. Tabel Data Prediksi, berisi 3 Tabel Hasil Prediksi menggunakan arsitektur
Backpropagation Neural Network yaitu Tabel Prediksi dengan Arsitektur BNN 3-8-1, Tabel
Prediksi dengan arsitektur BNN 3-9-1 dan Tabel Prediksi arsitektur BNN 3-10-1.
Gambar 8. Tampilan Halaman Tabel Ethereum
Gambar 8, merupakan tampilan halaman Tabel Ethereum yang diambil dari dataset
Ethereum yang sudah diinputkan ke dalam Database. Data table detail Penutupan Harga
Ethereum harian berisi kolom Date, Open, High, Low, Close, Adj Close, dan Volume. Data
Ethereum merupakan dataset yang belum diolah[13].
Gambar 9. Tampilan Halaman Data Prediksi
Gambar 9, merupakan tampilan halaman Data Prediksi Ethereum yang sudah diolah
menggunakan Backpropagation Neural Network dan data hasil prediksi sudah diinputkan
kedalam Database dengan nama Tabel tabel_pred_381. Pada bagian bawah tabel prediksi,
terdapat baris Total MAPE dari hasil prediksi sesuai dengan arsitektur Backpropagation Neural
Network.
Gambar 10. Tampilan Halaman Data Prediksi Tab 2
Gambar 10, merupakan Tampilan Halaman Data Prediksi bagian 2. Tabel Prediksi 2 ini
berisi kolom, Date, Close, Prediksi dan Perbedaan. Tabel Prediksi 2 berguna untuk
membandingkan Y dan Ytargetnya. Didalam tabel 2 ini dapat mengetahui perbandingan data
penutupan dan data hasil Prediksinya.
3. 7.3 Halaman Chart

Halaman Chart berisi tentang Grafik-grafik hasil Prediksi menggunakan algoritma
Backpropagation Neural Network
Gambar 11. Tampilan Halaman Chart
Gambar 11 merupakan Tampilan Halaman Chart yang berisi Line Chart dan Pie Chart.
Grafik yang terdapat didalam menu Chart adalah Grafik Ethereum, Grafik MAPE, Grafik Hasil
Prediksi dengan arsitektur 3-8-1, 3-9-1 dan 3-10-1. Grafik ini dibuat dengan menggunakan
ChartJs dengan data yang diambil dari Database. Data hasil prediksi dari ketiga arsitektur BNN
yaitu Arsitektur 3-8-1, Arsitektur 3-9-1 dan Arsitektur 3-10-1, kemudian diinputkan kedalam
grafik untuk mengetahui perbandingan data asli dengan data hasil prediksi yang telah diolah.
Terlihat grafik data hasil prediksi hampir mirip dengan data asli[14].
4. KESIMPULAN
Berdasarkan penelitian dan pengujian yang dilakukan, maka dapat disimpulkan bahwa
penerapan data mining untuk memprediksi harga cryptocurrency Ethereum dengan
menggunakan algoritma Backpropagation Neural Network pada studi kasus Data penutupan
harian Ethereum menggunakan Bahasa pemrograman python dan sistem informasi hasil prediksi
sangat membantu dalam proses penjelasan hasil prediksi Ethereum[15], yang telah diolah
dengan menggunakan 3 arsitektur BNN(Backpropagation Neural Network) yaitu Arsitektur
BNN 3-8-1, 3-9-1 dan 3-10-1 menghasilkan nilai MAPE (Mean Absolute Precentage Error) dari
learning rate 0,001 dan 1000 epoch sebesar 1.4694, 1.4839 dan 1.4727 Selain itu, Sistem
informasi hasil prediksi dapat mempermudah dalam pemantauan hasil prediksi Ethereum yang
sudah diolah, dan dapat dipahami oleh masyarakat umum.
Penambahan Chart Ethereum dan Chart hasil prediksi berfungsi untuk mempermudah
user atau pengguna dalam membaca grafik hasil prediksi yang telah dibuat. Terdapat pula fitur
search data yang berguna untuk mencari data hasil prediksi dan prebandingan satu sama lain
dari arsitektur BNN yang telah diolah. Secara keseluruhan Penerapan data mining untuk
memprediksi harga cryptocurrency Ethereum dengan menggunakan metode Backpropagation
Neural Network menghasilkan hasil prediksi yang akurat dan perbandingan hasil prediksi dan
data asli hasilnya tidak berbeda jauh.
5. SARAN
Adapun saran yang diperlukan untuk prediksi cryptocurrency Ethereum dengan

menggunakan algoritma Backpropagation Neural Network ini adalah mengenai tingkat error
yang bisa lebih kecil lagi dari hasil penelitian ini dengan epoch atau arsitektur Backpropagation
Neural Network yang ditingkatkan lagi.
DAFTAR PUSTAKA
[1] Lord Hodge, “Financial Technology,” Artif. Intell. Law, Vol. 2, No. 2, pp. 31–48, 2020,
doi: 10.4324/9780429344015-2.
[2] A. Afrizal, M. Marliyah, and F. Fuadi, “Analisis Terhadap Cryptocurrency (Perspektif

Mata Uang, Hukum, Ekonomi dan Syariah),” E-Mabis J. Ekon. Manaj. dan Bisnis, Vol.
22, No. 2, pp. 13–41, 2021, doi: 10.29103/e-mabis.v22i2.689.
[3] J. Ilmu, H. I.- Konsentrasi, and E. Politik, “Eksistensi Bitcoin Oleh Satoshi Nakamoto
Terhadap Kebijakan Moneter China,” Vol. 8, pp. 1–9.
[4] E. Eka Patriya, “Implementasi Support Vector Machine pada Prediksi Harga Saham
Gabungan (Ihsg),” J. Ilm. Teknol. dan Rekayasa, Vol. 25, No. 1, pp. 24–38, 2020, doi:
10.35760/tr.2020.v25i1.2571.
[5] M. Guntur, J. Santony, and Y. Yuhandri, “Prediksi Harga Emas Dengan Menggunakan
Metode Naïve Bayes Dalam Investasi Untuk Meminimalisasi Resiko,” J. RESTI
(Rekayasa Sist. dan Teknol. Informasi), Vol. 2, No. 1, pp. 354–360, 2018, doi:
10.29207/resti.v2i1.276.
[6] U. Usman, “Prediksi Harga Lada Dengan Menggunakan Neural Network Berbasis
Particle Swarm Optimization,” J. Sist. Inf. dan Teknol. Inf., Vol. 6, No. 2, pp. 32–41,
2017, [Online]. Available: https://ejurnal.dipanegara.ac.id/index.php/jusiti/article/
[7] E. P. C. Edi Ismanto, “Jaringan Syaraf Tiruan Algoritma Backpropagation Dalam

Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau,” Rabit J. Teknol. dan Sist.
Inf. Univrab, Vol. 2, No. 2, pp. 196–209, 2017, doi: 10.36341/rabit.v2i2.152.
[8] S. Andriyani and N. Sihombing, “Implementasi Metode Backpropagation Untuk Prediksi

Harga Jual Kelapa Sawit Berdasarkan Kualitas Buah,” Jurteksi, Vol. 4, No. 2, pp. 155–
164, 2018, doi: 10.33330/jurteksi.v4i2.40.
[9] M. N. D. SAWITRI, I. W. SUMARJAYA, and N. K. T. TASTRAWATI, “Peramalan

Menggunakan Metode Backpropagation Neural Network,” E-Jurnal Mat., Vol. 7, No. 3,
p. 264, 2018, doi: 10.24843/mtk.2018.v07.i03.p213.
[10] M. A. Maricar, “Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential
Smoothing Untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ,” J. Sist. dan
Inform., Vol. 13, No. 2, pp. 1–10, 2019.
[11] M. P. Taufiq Rohman, S.Pd.I, “Analisis Perbandingan,” Psikol. Perkemb., No. October
2013, pp. 1–224, 2019.
[12] A. K. RENGGALI, “Analisis Sentimen Data Review Aplikasi Female Daily pada Website
Google Play Menggunakan Algoritma Naïve Bayes,” Juli, 2018, [Online]. Available:
https://repositori.usu.ac.id/bitstream/handle/123456789/44520/170403105.pdf?
[13] N. A. O. Saputri and N. Huda, “Implementasi Sistem Informasi Prediksi Hasil Penjualan
Perangkat Komputer Menggunakan Metode Double Exponential Smoothing,” J. Media
Inform. Budidarma, Vol. 4, No. 3, p. 806, 2020, doi: 10.30865/mib.v4i3.2253.
[14] A. Fitriadini, T. Pramiyati, and A. B. Pangaribuan, “Penerapan Backpropagation Neural

Network Dalam Prediksi Harga Saham,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., pp.
1–4, 2020.
[15] Y. Mahena, M. Rusli, and E. Winarso, “Prediksi Harga Emas Dunia Sebagai Pendukung
Keputusan Investasi Saham Emas Menggunakan Teknik Data Mining,” Kalbiscentia J.
Sains dan Teknol., Vol. 2, No. 1, pp. 36–51, 2015, [Online]. Available:
http://files/511/Mahena et al. - 2015 - Prediksi Harga Emas Dunia Sebagai Pendukung
Keputu.pdf.

2681-Article Text-13733-1-10-20230314

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

2681-Article Text-13733-1-10-20230314

Diunggah oleh

Hak Cipta:

Format Tersedia

Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322

Penerapan Data Mining Untuk Memprediksi Harga

Yosef David Wibowo S.1, Ramos Somya2

Kata kunci—Konvensional, Cryptocurrency, Blockchain, Backpropagation Neural Network

Keywords— Conventional, Cryptocurrency, Blockchain, Backpropagation Neural Network

B erkembangya Teknologi Informasi di saat ini menyebabkan kita seolah-olah diharuskan

Gambar 1. Tahapan Penelitian

2.1 Arsitektur Backpropagation Neural Network

Gambar 2. Arsitektur BNN Ethereum

Gambar 2, merupakan Arsitektur Backpropagation Neural Network 3-8-1, 3-9-1 dan 3-

2.2 MAPE (Mean Absolute Percentage Error)

Tabel 1. Interpretasi Nilai MAPE

MAPE (Mean Absolute Percentage Error) memiliki tingkatan interpretasi yang

3. HASIL DAN PEMBAHASAN

3.1 Analisis Penutupan Harga Ethereum

3.2 Hasil Pelatihan dan Pengujian dengan Python

Gambar 3. Grafik Histori Penutupan Harga Ethereum

3.3 Preprocessing Data

Gambar 4. Proses Preprocessing Data

3.4 Training dan Testing Data

Gambar 5. Proses Inisialisasi x dan y

3.5 Proses Backpropagation Neural Network

Gambar 6. Proses Backpropagation Neural Network

3.6 Hasil Prediksi

Tabel 3. Perbandingan Prediksi Arsitektur BNN

3.7 Implementasi Sistem

3. 7.1 Halaman Utama Aplikasi

Gambar 7. Tampilan Halaman Utama Sistem Informasi Hasil Prediksi

3. 7.2 Halaman Lihat Data

Gambar 8. Tampilan Halaman Tabel Ethereum

Gambar 9. Tampilan Halaman Data Prediksi

Gambar 10. Tampilan Halaman Data Prediksi Tab 2

3. 7.3 Halaman Chart

Gambar 11. Tampilan Halaman Chart

Adapun saran yang diperlukan untuk prediksi cryptocurrency Ethereum dengan

[2] A. Afrizal, M. Marliyah, and F. Fuadi, “Analisis Terhadap Cryptocurrency (Perspektif

[7] E. P. C. Edi Ismanto, “Jaringan Syaraf Tiruan Algoritma Backpropagation Dalam

[8] S. Andriyani and N. Sihombing, “Implementasi Metode Backpropagation Untuk Prediksi

[9] M. N. D. SAWITRI, I. W. SUMARJAYA, and N. K. T. TASTRAWATI, “Peramalan

[14] A. Fitriadini, T. Pramiyati, and A. B. Pangaribuan, “Penerapan Backpropagation Neural

Anda mungkin juga menyukai