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.