Prediksi Volatilitas Harga Kripto Menggunakan Model Non-Linear LightGBM

Abstract

Pasar kripto dikenal memiliki volatilitas tinggi yang menyebabkan perubahan harga sangat cepat dan sulit diprediksi. Kondisi ini menuntut metode prediksi yang adaptif terhadap pola non-linear dan kompleks. Penelitian ini bertujuan untuk menganalisis kinerja model Light Gradient Boosting Machine (LightGBM) dalam memprediksi volatilitas harga aset kripto utama, yaitu Bitcoin, Ethereum, Binance Coin, Solana, dan Ripple. Data yang digunakan bersumber dari dataset Hourly Crypto & Stocks Market Data (2025) dengan proses preprocessing, feature engineering, dan pembagian data train-test 80:20. Evaluasi kinerja model memanfaatkan metrik MAE, RMSE, dan R² untuk mengukur tingkat kesalahan dan kemampuan generalisasi model. Temuan penelitian ini mengindikasikan bahwa LightGBM mampu memberikan performa prediksi yang baik dengan nilai RMSE sebesar 0.000968, MAE sebesar 0.000630, dan R2 sebesar 0.8318. Fitur rolling volatility dan log return memiliki kontribusi paling besar dalam prediksi volatilitas. Temuan ini membuktikan bahwa model non-linear seperti LightGBM efektif dalam menangkap dinamika pasar kripto yang kompleks serta dapat digunakan sebagai dasar pengambilan keputusan dalam manajemen risiko dan strategi investigasi aset digital