Publisher

IAIIIAII

Journal Journal of Systems Engineering and Information Technology (JOSEIT)Journal of Systems Engineering and Information Technology (JOSEIT) Abstract

An Initial Coin Offering (ICO) is a method of raising funds for digital currency projects. Investors purchase these coins at a very low initial price before they are released. These coins are then listed on the trading platform, and their prices may increase rapidly if the currency performs well. After six months of release, ICO evaluation is the expected time for investors to profit. A dataset consisting of 109 ICOs was constructed from reputable websites after data preprocessing. Correlation analysis of 12 inputs revealed issues of multicollinearity, leading to biased regression model results. Overfitting occurred when using the regression model. To address these limitations, the Ridge regression method resolved the issues with the ICO data. An artificial neural network model addressed the complex nonlinear relationships between inputs and ICO prices. By adjusting parameters to achieve the best performance according to the Root Mean Square Error, R-squares, and Mean Absolute Error metrics, the results showed that the Ridge regression algorithm with a test set of three ICOs achieved accuracy ranging from 63% to 92% of ICO prices, while the artificial neural network model predicted with 98% accuracy depending on the metric used.

Conclusion

Berdasarkan analisis korelasi antara faktor-faktor yang memengaruhi harga ICO, terdapat fenomena multikolinearitas dalam model regresi linier.Fenomena ini menyebabkan bias dalam hasil model regresi.Overfitting saat menggunakan model regresi berganda memerlukan teknik regularisasi, yang membantu mengurangi overfitting dengan menambahkan istilah regularisasi ke fungsi kerugian model regresi.Algoritma Ridge regression adalah metode regresi nonlinier yang dapat mengatasi tantangan data saat ini yang tidak dapat dipecahkan oleh regresi linier.Algoritma ANN menghasilkan akurasi prediksi yang lebih tinggi dibandingkan algoritma Ridge regression, tetapi memerlukan waktu pelatihan yang lebih lama.Hasil simulasi menggunakan bahasa pemrograman Python menunjukkan bahwa algoritma Ridge regression dengan metrik kinerja R2 mencapai akurasi hingga 92% dari nilai sebenarnya ICO pada kasus ICO 0x dalam dataset uji.Simulasi hasil penggunaan algoritma ANN untuk prediksi menunjukkan bahwa akurasi prediksi mencapai 98% dari nilai sebenarnya ICO pada kasus ICO 0x.

Future Research

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan saran penelitian lanjutan yang ada dalam paper, terdapat beberapa arah penelitian yang menarik untuk dieksplorasi lebih lanjut. Pertama, penelitian dapat difokuskan pada pengembangan model prediksi yang lebih robust terhadap perubahan kondisi pasar cryptocurrency yang dinamis. Hal ini dapat dilakukan dengan menggabungkan data dari berbagai sumber, seperti media sosial, berita, dan forum diskusi, untuk menangkap sentimen pasar secara lebih komprehensif. Kedua, penelitian dapat menginvestigasi pengaruh faktor-faktor makroekonomi, seperti inflasi, suku bunga, dan pertumbuhan ekonomi, terhadap harga ICO. Dengan memasukkan faktor-faktor ini ke dalam model prediksi, akurasi prediksi dapat ditingkatkan secara signifikan. Ketiga, penelitian dapat mengeksplorasi penggunaan teknik pembelajaran mendalam (deep learning) yang lebih canggih, seperti recurrent neural networks (RNNs) dan transformers, untuk memodelkan hubungan temporal antara berbagai faktor yang memengaruhi harga ICO. Teknik-teknik ini memiliki potensi untuk menangkap pola-pola kompleks dalam data yang sulit dideteksi oleh model-model tradisional.

References

1. Predicting ICO Prices Using Artificial Neural Network and Ridge Regression Algorithm | Journal of Systems... doi.org/10.29207/joseit.v2i1.5022Predicting ICO Prices Using Artificial Neural Network and Ridge Regression Algorithm Journal of Systems doi 10 29207 joseit v2i1 5022
2. Solving multiple linear regression problem using artificial neural network | Khrisat | International... ijece.iaescore.com/index.php/IJECE/article/view/24121Solving multiple linear regression problem using artificial neural network Khrisat International ijece iaescore index php IJECE article view 24121

Metadata

File size	653.24 KB
Pages	8
DMCA	Report