Cryptocurrency adalah
aset digital yang terus berkembang dengan karakteristik harga yang sangat
fluktuatif dan sulit diprediksi secara konvensional. Perubahan harga yang tidak
menentu ini mendorong kebutuhan akan sistem prediksi yang lebih akurat dan
adaptif terhadap dinamika pasar. Model statistik seperti Autoregressive
Integrated Moving Average (ARIMA) memiliki keunggulan dalam mengenali pola
linier jangka panjang pada data deret waktu, namun kurang mampu menangani
variasi non-linier yang kompleks. Sebaliknya, Gated Recurrent Unit
(GRU), yaitu jaringan saraf berulang dalam ranah deep learning, memiliki
kemampuan dalam mengolah data sekuensial dan memahami keterkaitan temporal yang
bersifat non-linier, meskipun kinerjanya dapat menurun saat menghadapi pola
musiman atau tren yang stabil. Penelitian ini mengusulkan integrasi kedua
pendekatan tersebut melalui tiga skema kombinasi model, yaitu kombinasi
residual, kombinasi berbobot alpha, dan kombinasi bertingkat (stacked hybrid),
untuk meningkatkan akurasi prediksi harga cryptocurrency. Metode ini
diimplementasikan pada data harian harga Solana (SOL) sebagai fokus utama,
serta divalidasi pada aset lain seperti Bitcoin (BTC), Ethereum (ETH), dan
Ripple (XRP) guna menguji kemampuan generalisasi model. Evaluasi dilakukan
dengan empat metrik utama, yaitu Root Mean Squared Error (RMSE), Mean
Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan
koefisien determinasi (R²) untuk memastikan keandalan dan presisi prediksi.
Hasil eksperimen menunjukkan bahwa pendekatan stacked hybrid memberikan
performa terbaik secara konsisten, dengan nilai MAPE terendah sebesar 3,44
persen dan R² tertinggi sebesar 0,9881 pada aset XRP, serta MAPE 5,39 persen
dan R² 0,9945 pada aset SOL. Temuan ini membuktikan bahwa kombinasi model
statistik dan deep learning dalam satu kerangka kerja dapat meningkatkan
akurasi prediksi harga dengan optimal dan memberikan solusi yang lebih adaptif
terhadap karakteristik pasar kripto yang kompleks.
