Bitcoin merupakan sistem uang elektronik peer-to-peer tanpa perantara dengan mekanisme keamanan berbasis proof-of-work. Bitcoin berperan sebagai acuan utama di pasar cryptocurrency karena kapitalisasi dan volume perdagangannya yang besar, sehingga fluktuasi harganya menarik perhatian untuk dianalisis dan diprediksi. Prediksi adalah proses memperkirakan nilai di masa depan berdasarkan data historis dan pola yang terbentuk. Oleh karena itu, penelitian ini menerapkan model Long Short-Term Memory (LSTM) untuk memprediksi harga Bitcoin dengan memanfaatkan feature engineering berbasis rolling window dan lag sebagai representasi pola temporal. Data yang digunakan berupa harga penutupan harian Bitcoin periode 18 Juli 2010 hingga 31 Maret 2026. Tahapan penelitian meliputi transformasi logaritma, pembentukan feature engineering, pembagian data secara time-based split, normalisasi Min-Max, pembentukan sequence, serta pelatihan model menggunakan tuning parameter (grid search). Hasil penelitian menunjukkan bahwa konfigurasi model LSTM terbaik diperoleh pada 120 unit, dropout 0.2, batch size 32, dan epoch 50 dengan nilai validation MAE sebesar 0.005385. Evaluasi model menggunakan RMSE dan MAPE menunjukkan bahwa nilai MAPE pada data testing sebesar 6.78% berada dalam kategori baik. Hasil prediksi menunjukkan kecenderungan penurunan harga Bitcoin pada data harian dengan periode prediksi April hingga Mei 2026, dengan rentang prediksi berada pada kisaran 47,959.10 USD hingga 67,000 USD.