Publication Search

Bitcoin sebagai salah satu cryptocurrency paling populer yang menawarkan peluang investasi besar namun disertai dengan volatilitas harga yang tinggi. Penelitian ini bertujuan untuk memprediksi harga Bitcoin menggunakan model Support Vector Machine (SVM) dan menganalisis risiko pasar yang melekat. Dataset historis Bitcoin digunakan untuk melatih model dengan fitur seperti harga pembukaan, harga tertinggi, harga terendah, dan volume perdagangan. Penelitian menggunakan model SVM yang dioptimalkan melalui tuning parameter untuk meningkatkan akurasi prediksi. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan performa model yang baik dengan MAE sebesar 0,0036 dan RMSE sebesar 0,0050. Korelasi fitur menunjukkan hubungan yang kuat antara harga penutupan dengan variabel harga lainnya, sementara volume memiliki hubungan moderat. Analisis risiko menggunakan pengembalian harian mengidentifikasi volatilitas signifikan, yang menjadi tantangan dalam pengambilan keputusan investasi. Penelitian ini menyimpulkan bahwa model SVM efektif dalam memprediksi tren harga Bitcoin. Namun, analisis risiko tetap penting untuk mendukung strategi investasi yang lebih bijaksana.    

Pasar properti rumah memiliki harga yang bervariasi tergantung lokasi dan spesifikasi bangunan. Penelitian ini melakukan segmentasi harga properti berdasarkan lokasi (latitude & longitude), harga, dan luas bangunan menggunakan algoritma K-Means Clustering. Dataset berisi 18.962 data properti dari wilayah Bandung dan sekitarnya. Data melalui tahap pembersihan, transformasi lokasi ke koordinat geografis, normalisasi, dan denormalisasi untuk memastikan kualitas analisis. Metode Elbow digunakan untuk menentukan jumlah cluster optimal dan menunjukkan nilai K = 3. Proses clustering menghasilkan tiga segmen: Cluster 0 (Affordable Housing) mencakup 7.751 properti dengan harga rendah dan bangunan kecil, Cluster 1 (Luxury Estate) sebanyak 2.402 properti dengan harga tinggi dan bangunan luas, serta Cluster 2 (Middle-Class Residences) terdiri dari 5.555 properti dengan karakteristik menengah. Visualisasi menggunakan peta interaktif berbasis Folium memperlihatkan distribusi spasial yang jelas, dengan konsentrasi tertinggi berada di pusat kota seperti Bandung dan Cimahi. Rata-rata harga di cluster 0 sekitar Rp900 juta, cluster 1 mencapai Rp4,9 miliar, dan cluster 2 sekitar Rp1,8 miliar. Penelitian ini menunjukkan bahwa K-Means efektif untuk segmentasi harga properti. Untuk hasil yang lebih komprehensif, disarankan agar penelitian lanjutan menambahkan variabel seperti aksesibilitas, fasilitas umum, dan kondisi bangunan.