Prediksi Pergerakan Harga Bitcoin menggunakan Hybrid Model Skewed GARCH–Empirical Mode Decomposition [NII,DEC]

Abstract

Bitcoin, sebagai aset kripto paling populer dan pionir di pasar global, telah menarik perhatian luas karena potensi keuntungannya yang tinggi. Namun, di balik peluang tersebut, Bitcoin juga dikenal memiliki volatilitas harga yang sangat tinggi dan sulit diprediksi. Pergerakan harganya tidak hanya dipengaruhi oleh faktor ekonomi fundamental, tetapi juga oleh sentimen pasar, spekulasi media sosial, hingga perubahan kebijakan regulasi. Karakteristik ini menyebabkan banyak metode prediksi harga tradisional, seperti ARIMA maupun pendekatan berbasis kecerdasan buatan seperti RNN dan LSTM, masih menghadapi kesulitan dalam menangani pola harga yang tidak simetris (skewed), berdampak ekstrem, dan berubah-ubah dalam berbagai skala waktu.

Penelitian ini bertujuan untuk mengembangkan model prediksi harga Bitcoin yang lebih adaptif dan akurat melalui pendekatan hybrid, yaitu dengan menggabungkan dua metode: Skewed non-Gaussian GARCH dan Empirical Mode Decomposition (EMD). Skewed GARCH dipilih karena mampu menangkap karakteristik volatilitas asimetris serta ekor distribusi yang tebal (heavy-tailed) dari harga Bitcoin, yang sering diabaikan oleh model GARCH konvensional. Sementara itu, EMD digunakan untuk mendekomposisi sinyal harga ke dalam komponen-komponen fluktuasi berdasarkan skala waktunya. Dengan pendekatan ini, dinamika harga jangka pendek, menengah, dan panjang dapat dianalisis secara lebih terfokus dan tepat sasaran.

Melalui integrasi kedua metode tersebut, model hybrid ini diharapkan dapat meningkatkan akurasi prediksi harga Bitcoin, terutama dalam menghadapi kondisi pasar yang sangat dinamis dan ekstrem. Selain memberikan hasil prediksi yang lebih realistis, penelitian ini juga diharapkan memberikan kontribusi nyata dalam pengembangan strategi investasi berbasis data serta pengelolaan risiko di ekosistem aset kripto yang terus berkembang.