Analisis Prediksi Harga Minyak Mentah WTI dengan Metode ANN Backpropagation dan Long Short-Term Memory
DOI:
https://doi.org/10.62712/juktisi.v4i3.809Kata Kunci:
Harga minyak mentah WTI, Deret waktu, Jaringan saraf tiruan, Backpropagation, Long Short-Term MemoryAbstrak
Estimasi harga minyak mentah West Texas Intermediate (WTI) sangat penting karena perubahan harga yang signifikan dapat berdampak pada ekonomi global. Studi ini bertujuan untuk menguji dan membandingkan kemampuan Jaringan Saraf Buatan (Artificial Neural Networks/ANN) menggunakan algoritma backpropagation dan Long Short-Term Memory (LSTM) dalam memprediksi harga minyak mentah WTI menggunakan data deret waktu bulanan. Data yang digunakan adalah harga minyak mentah WTI historis, yang kemudian diproses menggunakan teknik jendela geser (sliding window) untuk membuat data pembelajaran terawasi (supervised learning). Selanjutnya, data diskalakan menggunakan metode Min-Max Scaling sebelum proses pelatihan dimulai.
Model ANN dibuat menggunakan jaringan saraf feedforward dengan beberapa lapisan tersembunyi, sedangkan model LSTM dirancang khusus untuk menangkap hubungan temporal jangka panjang dalam data deret waktu. Pelatihan model menggunakan rumus kerugian Mean Squared Error (MSE) dengan optimasi Adam. Prediksi dari kedua model kemudian dibandingkan dengan data asli untuk mengukur akurasi dan kinerja masing-masing metode.
Hasil penelitian menunjukkan bahwa kedua metode tersebut mampu mensimulasikan pola pergerakan harga minyak mentah WTI; namun, model LSTM memberikan perkiraan yang lebih kuat dan menghasilkan kesalahan perkiraan yang lebih kecil daripada metode ANN backpropagation. Akibatnya, metode LSTM dianggap lebih berhasil dalam mengelola sifat nonlinier dan ketergantungan temporal yang kuat dari data deret waktu harga minyak mentah. Penelitian ini diharapkan dapat menjadi referensi untuk pengembangan komoditas berbasis jaringan saraf.
Unduhan
Referensi
U. Prakiraan Kualitas Udara Dki Jakarta and A. Ayu Laily Rahmah NIM, “SKRIPSI ANALISIS MODEL MULTIVARIATE LONG SHORT-TERM MEMORY”.
A. I. Sari, D. P. Hapsari, H. F. R. Wibowo, C. N. Putri, G. V. F. Lande, and E. B. Aldero, “Implementasi Algoritma Pengklasifikasi Long Short–Term Memory (LSTM) untuk Data Time Series,” in Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) V, Institut Teknologi Adhi Tama Surabaya, Aug. 2025, pp. 653–666. doi: 10.31284/p.snestik.2025.7034.
D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” Jan. 2017, [Online]. Available: http://arxiv.org/abs/1412.6980
G. T. Wilson, “Time Series Analysis: Forecasting and Control, 5th Edition, by George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung, 2015. Published by John Wiley and Sons Inc., Hoboken, New Jersey, pp. 712. ISBN: 978‐1‐118‐67502‐1,” J. Time Ser. Anal., vol. 37, no. 5, pp. 709–711, Sep. 2016, doi: 10.1111/jtsa.12194.
Ms. I. Pembimbing, L. Ermawati, and M. SAk, “ANALISIS FORECASTING PENJUALAN MOTOR LISTRIK PADA TAHUN 2025 DENGAN METODE TREND MOMENT DALAM PERSPEKTIF BISNIS ISLAM (STUDI PADA DEALER MOTOR LISTRIK GESITS KOTA BANDAR LAMPUNG) ARTIKEL ILMIAH Diajukan untuk Melengkapi Tugas Akhir dan Memenuhi Syarat-Syarat Guna Mendapatkan Gelar Sarjana S1 dalam Ilmu Ekonomi dan Bisnis Islam.”
G. Zhang, B. E. Patuwo, and M. Y. Hu, “Forecasting with artificial neural networks: The state of the art,” 1998.
M. Khashei and M. Bijari, “A new class of hybrid models for time series forecasting,” Expert Syst. Appl., vol. 39, no. 4, pp. 4344–4357, Mar. 2012, doi: 10.1016/j.eswa.2011.09.157.
N. Selle, N. Yudistira, and C. Dewi, “PERBANDINGAN PREDIKSI PENGGUNAAN LISTRIK DENGAN MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM) DAN RECURRENT NEURAL NETWORK (RNN),” vol. 9, no. 1, pp. 155–162, 2022, doi: 10.25126/jtiik.202295585.
S. Siami-Namini, N. Tavakoli, and A. Siami Namin, “A Comparison of ARIMA and LSTM in Forecasting Time Series,” in Proceedings - 17th IEEE International Conference on Machine Learning and Applications, ICMLA 2018, Institute of Electrical and Electronics Engineers Inc., Jul. 2018, pp. 1394–1401. doi: 10.1109/ICMLA.2018.00227.
J. Heaton, “Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning,” Genet. Program. Evolvable Mach., vol. 19, no. 1–2, pp. 305–307, Jun. 2018, doi: 10.1007/s10710-017-9314-z.
D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” Jan. 2017, [Online]. Available: http://arxiv.org/abs/1412.6980
K. Zhang and M. Hong, “Forecasting crude oil price using LSTM neural networks,” Data Science in Finance and Economics, vol. 2, no. 3, pp. 163–180, 2022, doi: 10.3934/dsfe.2022008.
F. Dhimas Syahfitra, R. Syahputra, and K. T. Putra, “Implementation of Backpropagation Artificial Neural Network as a Forecasting System of Power Transformer Peak Load at Bumiayu Substation,” Journal of Electrical Technology UMY (JET-UMY), vol. 1, no. 3, 2017.
A. Dan Alfamidi, “SEKOLAH TINGGI TEKNOLOGI TERPADU NURUL FIKRI Analisis Perbandingan Model Prediksi Harga Saham melalui Pendekatan Long-Short Term Memory (LSTM) Dan Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus.”
B. Farnham, S. Tokyo, B. Boston, F. Sebastopol, and T. Beijing, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems SECOND EDITION.”
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Wulan Liviana Simbolon, Rado Manurung, Adrian Sidauruk, Lusi Saragih, Jaya Tata Hardinata
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
