Bitcoin sebagai aset kripto dengan kapitalisasi pasar terbesar dikenal memiliki volatilitas harga yang tinggi dan pola pergerakan yang kompleks. Karakteristik ini menantang efektivitas model prediksi konvensional. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model hybrid ARIMA–LSTM dan ARIMAX–LSTM dalam memprediksi harga Bitcoin secara lebih akurat. Model hybrid menggabungkan kekuatan ARIMA atau ARIMAX dalam menangkap tren linier jangka pendek dengan keunggulan LSTM dalam mengenali pola non-linier serta dinamika jangka panjang. Variabel input yang digunakan meliputi harga tertinggi (High), harga terendah (Low), dan volume perdagangan harian, yang merepresentasikan volatilitas pasar. Analisis juga mencakup karakteristik volatilitas harga Bitcoin melalui pendekatan kuantitatif seperti standar deviasi, historical volatility, dan rolling volatility, serta pengaruh peristiwa penting seperti halving dan peluncuran ETF. Dataset harian dari tahun 2015 hingga 2024 digunakan untuk pelatihan dan pengujian model, dengan dua strategi pemisahan data: two-stage split dan single split. Evaluasi kinerja dilakukan menggunakan tiga metrik utama, yaitu MAE, RMSE, dan MAPE. Hasil penelitian menunjukkan bahwa model hybrid ARIMA–LSTM dengan strategi two-stage split memberikan performa terbaik secara keseluruhan, dengan tingkat kesalahan prediksi yang sangat rendah: MAE sebesar 2.216,81, RMSE sebesar 2.984,18, dan MAPE sebesar 3,17%. Meskipun model ARIMAX–LSTM menunjukkan nilai MAE dan RMSE yang relatif kompetitif, nilai MAPE-nya yang tinggi mengindikasikan ketidakseimbangan proporsional dalam hasil prediksi. Penelitian ini memberikan kontribusi penting, baik secara teoretis dalam pengembangan model prediksi untuk data pasar yang kompleks, maupun secara praktis dalam mendukung pengambilan keputusan investasi di pasar kripto yang dinamis dan penuh ketidakpastian.