Ethereum, sebagai salah satu aset kripto utama, memiliki volatilitas harga yang tinggi, sehingga menciptakan kebutuhan akan model prediksi yang akurat untuk membantu pengambilan keputusan investasi. Penelitian ini bertujuan untuk mengimplementasikan kinerja dua model machine learning populer, yaitu Gated Recurrent Unit (GRU) yang merupakan model deep learning untuk data sekuensial, dan Extreme Gradient Boosting (XGBoost) yang merupakan model ensemble. Data yang digunakan adalah data historis harga harian Ethereum yang mencakup fitur Open, High, Low, Close, Volume (OHLCV). Metode penelitian meliputi tahap pra-pemrosesan data seperti normalisasi Min-Max Scaler dan pembagian data dengan rasio 80% data latih dan 20% data uji. Evaluasi kinerja kedua model diukur menggunakan metrik Root Mean Squared Error (RMSE) dan R-squared (R²). Hasil pengujian menunjukkan bahwa model GRU menghasilkan prediksi yang lebih baik, mencapai nilai RMSE 101.37 dan R² 0.9718, sedangkan model XGBoost memperoleh nilai RMSE 435.68 dan R² 0.4433. Hal ini mengindikasikan bahwa kemampuan GRU dalam menangkap pola dan dependensi temporal pada data deret waktu lebih unggul untuk kasus prediksi harga Ethereum. Kesimpulan dari penelitian ini adalah model GRU lebih efektif dan dapat diandalkan untuk memprediksi harga Ethereum dibandingkan XGBoost dalam penelitian ini.

Kata Kunci: Prediksi Harga, Ethereum, Gated Recurrent Unit (GRU), XGBoost, Root Mean Squared Error (RMSE).