Perbandingan Linear Regression dan Random Forest untuk Prediksi Harga Cryptocurrency

Abstract

Perkembangan Cryptocurrency yang pesat menjadikan aset digital seperti BNB dan ETH semakin diminati oleh investor, namun volatilitas harga yang tinggi juga meningkatkan risiko kerugian. Oleh karena itu, diperlukan metode prediksi yang dapat membantu memahami arah pergerakan harga secara lebih terukur. Penelitian ini bertujuan untuk memperkirakan pergerakan harga aset Cryptocurrency secara berbasis data. Penelitian ini juga bertujuan untuk mengukur kemampuan model dalam menangkap pola harga pada aset yang bersifat volatil menggunakan pendekatan Machine Learning, yaitu Random Forest Regression dan Linear Regression. Data yang digunakan berupa data historis periode 2020-2025. Proses pengolahan data meliputi preprocessing data, penerapan model Machine Learning dan evaluasi kinerja model menggunakan MSE, R², dan MAPE. Hasil penelitian menunjukkan bahwa model Random Forest Regression dan Linear Regression memiliki performa yang berbeda dalam memprediksi harga Cryptocurrency BNB dan ETH. Linear Regression menghasilkan MAPE 5,14% pada BNB dan 8,17% pada ETH. Sementara itu, Random Forest Regression menunjukkan performa yang lebih rendah dengan MAPE 15,02% pada BNB dan 9,65% pada ETH. Nilai tersebut menunjukkan tingkat kesalahan prediksi yang bervariasi. Dengan demikian, Linear Regression dinilai lebih mampu menangkap pola data yang kompleks dan fluktuatif, sehingga lebih direkomendasikan sebagai model prediksi harga Cryptocurrency dalam penelitian ini. Kata kunci : Random Forest Regression; Linear Regression; Cryptocurrency; BNB; ETH; Machine Learning