Pasar cryptocurrency memiliki volatilitas yang sangat tinggi sehingga
prediksi harga menjadi tantangan bagi investor dan peneliti. Berbagai metode
seperti model statistik, machine learning, dan deep learning telah digunakan,
namun belum terdapat studi komprehensif yang membandingkan performa
ketiganya secara bersamaan pada aset kripto utama dalam satu kerangka
eksperimen yang konsisten. Penelitian ini bertujuan untuk menganalisis dan
membandingkan performa model ARIMA, XGBoost, dan CNN-BiLSTM dalam
memprediksi harga cryptocurrency (BTC, ETH, dan BNB), serta mengidentifikasi
model paling optimal berdasarkan error prediksi dan efisiensi komputasi.
Penelitian menggunakan pendekatan kuantitatif dan supervised learning
dengan dataset harian tahun 2020–2025. Dataset mencakup fitur OHLCV, indikator
teknikal (MACD, Stochastic), serta variabel derivatif seperti open interest. Setiap
model dibangun melalui proses data preprocessing, feature engineering, pelatihan,
dan evaluasi menggunakan metrik MAPE, RMSE, MAE, R², serta training time dan
inference speed.
Hasil penelitian menunjukkan bahwa XGBoost dan CNN-BiLSTM secara
konsisten mengungguli ARIMA pada seluruh aset. ARIMA menghasilkan MAPE
diatas 9% dengan nilai R2 mendekati nol atau negatif, yang mengindikasikan
ketidakmampuannya menangkap dinamika non-linear harga kripto. XGBoost dan
CNN-BiLSTM mampu menghasilkan MAPE dibawah 3% dengan R2 di atas 0,96
pada seluruh aset. CNN-BiLSTM merupakan model dengan error terendah untuk
BTC (MAPE 1,59%, R2 0,9663) dan BNB (MAPE 1,90%, R2 0,9794), sementara
XGBoost sedikit unggul untuk ETH (MAPE 2,73%, R2 0,9813). Secara
keseluruhan, XGBoost dinilai sebagai model paling optimal karena selisih error
terhadap CNN-BiLSTM sangat kecil, sementara training time (53-75 detik) dan
inference time (37-65 ms) jauh lebih singkat.
Temuan ini memberikan panduan bagi investor dan pengembang sistem
analitik kripto dalam memilih model prediksi berdasarkan trade-off error dan
efisiensi komputasi. Penelitian ini dibatasi pada horizon prediksi H+1 untuk tiga
aset kripto dengan data 2020-2025, sehingga generalisasi untuk aset lain, horizon
lebih panjang, atau kondisi pasar yang berbeda memerlukan penelitian lanjutan.