Implementasi Algoritma Long Short-Term Memory (LSTM) untuk prediksi Harga Cryptocurrency Solana (SOL) Berbasis Data Near Real-Time Menggunakan Yahoo Finance API

Abstract

Tingginya volatilitas dan sifat non-linear harga aset kripto seperti Solana (SOL) menimbulkan risiko besar bagi investor. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi algoritma Long Short-Term Memory (LSTM) untuk prediksi harga SOL secara near real-time. Data diambil langsung dari Yahoo Finance dan diproses menggunakan Min-Max Scaling serta sliding window sebelum dimasukkan ke arsitektur LSTM. Hasil pengujian menunjukkan performa tinggi dengan nilai Mean Absolute Percentage Error (MAPE) di bawah 5% dan Root Mean Square Error (RMSE) yang rendah. Model ini terbukti efektif menangkap tren jangka pendek meskipun dalam kondisi fluktuasi ekstrem. Penelitian ini memberikan kontribusi praktis bagi trader dan pengembang automated trading dalam menyusun strategi investasi berbasis data historis yang akurat. Selain itu, penelitian ini selaras dengan pencapaian Sustainable Development Goals (SDGs), khususnya SDG 8 (Pekerjaan Layak dan Pertumbuhan Ekonomi) dan SDG 9 (Industri, Inovasi, dan Infrastruktur) dalam mendukung inovasi teknologi finansial yang tangguh.