Perkembangan pesat mata uang kripto sebagai aset digital telah menimbulkan kebutuhan akan sistem prediksi harga yang akurat guna mendukung pengambilan keputusan investasi. Untuk membangun sistem prediksi yang andal, diperlukan model yang mampu menangani karakteristik data deret waktu secara efektif. Temporal Convolutional Network (TCN) merupakan arsitektur jaringan saraf mendalam yang dirancang khusus untuk pemrosesan data deret waktu dengan memanfaatkan causal convolution dan dilated convolution, sehingga mampu menangkap pola jangka panjang tanpa kehilangan informasi urutan waktu. Penelitian ini menerapkan algoritma TCN untuk memprediksi harga penutupan harian Ethereum berdasarkan data historis. Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan bahwa model TCN mampu memberikan performa prediksi yang baik dengan tingkat kesalahan yang relatif rendah dengan MAE sebesar 75,70 dan MAPE sebesar 2,67%. Visualisasi hasil prediksi juga memperlihatkan bahwa TCN dapat menangkap pola tren harga Ethereum secara akurat. Temuan ini menunjukkan bahwa TCN memiliki potensi sebagai pendekatan yang efektif dalam memodelkan dan memprediksi pergerakan harga mata uang kripto, khususnya Ethereum.

Kata kunci: Cryptocurrency, Ethereum, Dilated causal convolution, Temporal Convolutional Network