Volatilitas ekstrem pada pergerakan harga cryptocurrency Ethereum memberikan tantangan besar bagi investor dalam manajemen risiko finansial. Meskipun metode deep learning terbukti andal dalam analisis deret waktu finansial, penggunaan model statis rentan mengalami degradasi performa akibat perubahan kondisi pasar yang cepat. Penelitian ini bertujuan mengembangkan sistem prediksi harga pasangan aset ETH/IDR berfrekuensi tinggi dengan timeframe 5 menit menggunakan arsitektur Gated Recurrent Unit (GRU) yang diintegrasikan dengan mekanisme continuous fine-tuning, serta diimplementasikan ke dalam aplikasi mobile hibrida berbasis CapacitorJS dan backend FastAPI. Pelatihan algoritma dibatasi pada ekstraksi fitur OHLCV dengan lookback window 48 timestep guna memproyeksikan harga 15 menit ke depan, di mana pembaruan bobot model dieksekusi secara asinkron setiap 24 jam menggunakan data 5 hari terakhir dan improvement threshold sebesar 1%. Hasil eksperimen menunjukkan arsitektur GRU mengungguli LSTM dengan mencatatkan tingkat kesalahan Mean Absolute Error (MAE) yang lebih rendah, yakni 43,995 berbanding 44,447 pada pengujian data harian. Simulasi historis continuous fine-tuning selama 128 hari merekam rasio penolakan pembaruan sebesar 92,19%, membuktikan bahwa algoritma secara presisi mampu menyaring noise acak untuk mencegah fenomena catastrophic forgetting. Pada 7,81% siklus pembaruan yang disetujui, mekanisme ini menyumbangkan rata-rata peningkatan akurasi MAE sebesar 9,10%. Pengujian fungsional black box juga memvalidasi tingkat keberhasilan sistem 100%. Dapat disimpulkan bahwa integrasi continuous fine-tuning sukses bertindak sebagai jaring pengaman adaptif yang menjaga relevansi operasional model, menjadikan aplikasi ini sebagai instrumen pendukung keputusan investasi yang presisi dan responsif.