Pendahuluan

Bitcoin merupakan aset digital terdesentralisasi yang pertama kali diperkenalkan pada tahun 2009 oleh individu atau kelompok dengan nama samaran Satoshi Nakamoto. Bitcoin menggunakan teknologi blockchain sebagai sistem pencatatan transaksi yang bersifat terbuka, transparan, dan tidak bergantung pada otoritas pusat. Seiring perkembangan teknologi dan meningkatnya adopsi global, Bitcoin telah menjadi salah satu instrumen investasi yang banyak diminati, termasuk di Indonesia.

Pergerakan harga Bitcoin dikenal memiliki volatilitas yang sangat tinggi dan dipengaruhi oleh berbagai faktor, seperti sentimen pasar, kebijakan moneter global, serta dinamika permintaan dan penawaran. Fluktuasi harga yang tajam tersebut menimbulkan risiko sekaligus peluang bagi investor, sehingga analisis kuantitatif terhadap pola historis harga Bitcoin menjadi penting untuk mendukung pengambilan keputusan.

Berdasarkan hal tersebut, penelitian ini bertujuan untuk menganalisis pergerakan harga Bitcoin terhadap Rupiah (IDR) menggunakan pendekatan time series serta melakukan peramalan jangka pendek dengan metode Autoregressive Integrated Moving Average (ARIMA). Metode ARIMA dipilih karena mampu menangani data runtun waktu yang bersifat non-stasioner melalui proses differencing.

Deskripsi dan Sumber Data

Data yang digunakan dalam penelitian ini merupakan data harga Bitcoin dalam mata uang Rupiah (IDR) yang disajikan secara bulanan. Periode pengamatan dimulai dari Januari 2025 hingga Januari 2026 dengan total 13 observasi. Data berbentuk deret waktu (time series) dan difokuskan pada variabel price_idr sebagai harga Bitcoin bulanan.

Sebelum dilakukan analisis, data diolah dan dibersihkan untuk memastikan kesesuaian format waktu dan nilai numerik agar dapat dianalisis menggunakan perangkat lunak R.

library(readxl)
## Warning: package 'readxl' was built under R version 4.5.2
library(forecast)
## Warning: package 'forecast' was built under R version 4.5.2
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(tseries)
## Warning: package 'tseries' was built under R version 4.5.2
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.2
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
# Load data
data <- read_xls(file.choose())
str(data)
## tibble [13 × 2] (S3: tbl_df/tbl/data.frame)
##  $ date     : POSIXct[1:13], format: "2025-01-31" "2025-02-28" ...
##  $ price_idr: num [1:13] 1.65e+09 1.56e+09 1.40e+09 1.45e+09 1.70e+09 ...
head(data)
## # A tibble: 6 × 2
##   date                 price_idr
##   <dttm>                   <dbl>
## 1 2025-01-31 00:00:00 1653036411
## 2 2025-02-28 00:00:00 1564993238
## 3 2025-03-31 00:00:00 1401603875
## 4 2025-04-30 00:00:00 1446673512
## 5 2025-05-31 00:00:00 1698202287
## 6 2025-06-30 00:00:00 1722686877

Exploratory Data Analysis (EDA)

Exploratory Data Analysis (EDA) dilakukan untuk memahami karakteristik dasar data harga Bitcoin terhadap Rupiah. Tahapan EDA meliputi analisis statistik deskriptif dan visualisasi deret waktu.

price_idr_ts <- ts(
data$price_idr,
start = c(2025, 1),
frequency = 12
)

plot(
price_idr_ts,
main = "Harga Bitcoin terhadap Rupiah Tahun 2025",
ylab = "Harga (IDR)",
xlab = "Bulan"
)

summary(price_idr_ts)
##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
## 1.402e+09 1.521e+09 1.653e+09 1.663e+09 1.866e+09 1.895e+09
sd(price_idr_ts)
## [1] 174968613

Visualisasi menunjukkan bahwa harga Bitcoin mengalami fluktuasi yang cukup tajam sepanjang periode pengamatan. Hal ini mencerminkan tingkat volatilitas yang tinggi dan mengindikasikan bahwa data kemungkinan belum bersifat stasioner, sehingga diperlukan pengujian lebih lanjut.

Metode Analisis Data

Metode analisis yang digunakan dalam penelitian ini adalah analisis deret waktu (time series) dengan menggunakan model Autoregressive Integrated Moving Average (ARIMA) non-musiman. Pemilihan model ARIMA didasarkan pada karakteristik data harga Bitcoin yang bersifat runtun waktu, fluktuatif, dan tidak menunjukkan pola musiman yang jelas. Model ini umum digunakan dalam analisis data finansial karena mampu menangkap dinamika ketergantungan nilai saat ini terhadap nilai masa lalu.

Untuk mengurangi pengaruh heteroskedastisitas dan menstabilkan varians data, dilakukan transformasi logaritmik terhadap harga Bitcoin. Transformasi ini bertujuan untuk memperhalus fluktuasi ekstrem yang sering muncul pada data harga aset kripto. Selanjutnya, kestasioneran data diuji menggunakan uji Augmented Dickey-Fuller (ADF) guna memastikan bahwa rata-rata dan varians data bersifat konstan dari waktu ke waktu. Apabila data belum stasioner, dilakukan proses differencing sebagai bagian dari komponen integrated pada model ARIMA hingga asumsi kestasioneran terpenuhi atau hingga pola pergerakan data dapat direpresentasikan secara optimal oleh model yang digunakan.

# Transformasi log
log_price_ts <- log(price_idr_ts)

# Uji kestasioneran
adf.test(log_price_ts)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  log_price_ts
## Dickey-Fuller = -1.1156, Lag order = 2, p-value = 0.9036
## alternative hypothesis: stationary

Hasil uji ADF menunjukkan bahwa data harga Bitcoin pada tingkat level belum stasioner, ditunjukkan oleh nilai p-value yang lebih besar dari 0,05. Oleh karena itu, dilakukan proses differencing.

# Differencing
log_diff_ts <- diff(log_price_ts)
adf.test(log_diff_ts)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  log_diff_ts
## Dickey-Fuller = -3.1614, Lag order = 2, p-value = 0.13
## alternative hypothesis: stationary

Hasil uji ADF pada differencing tingkat pertama menunjukkan bahwa data masih belum stasioner secara statistik. Oleh karena itu, dilakukan differencing tingkat kedua.

# Differencing 2
log_diff2_ts <- diff(log(price_idr_ts), differences = 2)
adf.test(log_diff2_ts)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  log_diff2_ts
## Dickey-Fuller = -0.52252, Lag order = 2, p-value = 0.9731
## alternative hypothesis: stationary

Hasil pengujian menunjukkan bahwa data tetap tidak stasioner. Kondisi ini mengindikasikan bahwa pergerakan harga Bitcoin mengikuti pola random walk, yang umum terjadi pada data harga aset finansial. Oleh karena itu, pemodelan dilakukan menggunakan ARIMA(0,1,0).

Hasil dan Pembahasan

Hasil uji Augmented Dickey-Fuller (ADF) menunjukkan bahwa data harga Bitcoin tidak stasioner pada tingkat level, setelah transformasi logaritmik, maupun setelah differencing tingkat pertama dan kedua (p-value > 0,05). Hal ini mengindikasikan bahwa pergerakan harga Bitcoin mengikuti pola random walk, yang umum ditemukan pada data harga aset finansial.

Berdasarkan karakteristik tersebut, model Random Walk atau ARIMA(0,1,0) dipilih sebagai model yang paling sesuai untuk peramalan jangka pendek. Model ini tidak memaksakan asumsi kestasioneran level dan mampu merepresentasikan dinamika harga Bitcoin secara lebih realistis.

# Estimasi Model Random Walk
model_rw <- Arima(log(price_idr_ts), order = c(0,1,0))

# Diagnostik Residual
checkresiduals(model_rw)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,0)
## Q* = 1.2626, df = 3, p-value = 0.738
## 
## Model df: 0.   Total lags used: 3

Hasil diagnostik menunjukkan bahwa residual tidak memiliki autokorelasi yang signifikan, sehingga model dapat dianggap layak.

# Peramalan Harga Bitcoin
forecast_rw <- forecast(model_rw, h = 3)

plot(
  forecast_rw,
  main = "Peramalan Harga Bitcoin Bulanan (Random Walk)",
  ylab = "Log Harga Bitcoin"
)

Hasil peramalan menunjukkan bahwa harga Bitcoin cenderung bergerak mengikuti nilai terakhir dengan fluktuasi yang relatif acak. Hal ini konsisten dengan sifat pasar kripto yang efisien dan sulit diprediksi dalam jangka pendek.

Kesimpulan

Berdasarkan hasil analisis, dapat disimpulkan bahwa data harga Bitcoin terhadap Rupiah periode Januari 2025 hingga Januari 2026 bersifat non-stasioner dan mengikuti pola random walk. Transformasi logaritmik dan proses differencing tidak menghasilkan kestasioneran secara statistik, yang mencerminkan volatilitas tinggi pada harga Bitcoin.

Model Random Walk atau ARIMA(0,1,0) dipilih sebagai model yang paling sesuai untuk peramalan jangka pendek. Hasil peramalan menunjukkan bahwa harga Bitcoin bergerak mengikuti nilai sebelumnya dengan fluktuasi acak, sehingga prediksi jangka pendek memiliki tingkat ketidakpastian yang tinggi.

Referensi

Baur, D. G., Hong, K., & Lee, A. D. (2018). Bitcoin: Medium of exchange or speculative assets? Journal of International Financial Markets, Institutions and Money, 54, 177–189. https://doi.org/10.1016/j.intfin.2017.12.004

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Hoboken, NJ: John Wiley & Sons.

Campbell, J. Y., Lo, A. W., & MacKinlay, A. C. (1997). The Econometrics of Financial Markets. Princeton: Princeton University Press.

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427–431. https://doi.org/10.1080/01621459.1979.10482531

Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297

Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of Economic Perspectives, 17(1), 59–82. https://doi.org/10.1257/089533003321164958

Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). Hoboken, NJ: John Wiley & Sons.

Urquhart, A. (2016). The inefficiency of Bitcoin. Economics Letters, 148, 80–82. https://doi.org/10.1016/j.econlet.2016.09.019