PENERAPAN METODELONG SHORT TERM MEMORY(LSTM) PADA PREDIKSI HARGA MINYAK DUNIA

AINI , RAHMAWATI (2026) PENERAPAN METODELONG SHORT TERM MEMORY(LSTM) PADA PREDIKSI HARGA MINYAK DUNIA. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (74Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (2169Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (2022Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Long Short Term Memory (LSTM) is a deep learning method widely used for time series prediction due to its ability to capture nonlinear patterns and long term dependencies. This method is an extension of the Recurrent Neural Network (RNN), designed to address the vanishing gradient problem through memory cell and gate mechanisms, making it effective in modeling complex and dynamic data. In this study, the LSTM method was applied to predict global oil prices, which exhibit fluctuating behavior and are influenced by various economic and geopolitical factors. The model was developed through several stages, including data preprocessing, such as normalization and transformation into supervised time series data, as well as data splitting using the Time Series Cross Validation method. To achieve optimal model performance, hyperparameter tuning was conducted using the Grid Search method. The model performance was then evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE) metrics. The results indicate that the LSTM model with optimal parameters is capable of producing a low prediction error, with an average RMSE of 2.90 and MAPE of 2.77%. Keywords:Time Series, Deep Learning, LSTM, Oil Prices, Prediction, Hyperparameter Tuning, Grid Search. Long Short Term Memory(LSTM) merupakan salah satu metodedeep learning yang banyak digunakan dalam prediksi data deret waktu karena kemampuannya dalam menangkap pola nonlinear serta ketergantungan jangka panjang. Metode ini merupakan pengembangan dariRecurrent Neural Network(RNN) yang dirancang untuk mengatasi permasalahanvanishing gradientmelalui mekanismememory celldangate, sehingga efektif dalam memodelkan data yang bersifat kompleks dan dinamis. Dalam penelitian ini, metode LSTM diterapkan untuk memprediksi harga minyak dunia yang memiliki pergerakan fluktuatif dan dipengaruhi oleh berbagai faktor ekonomi serta kondisi geopolitik. Model dibangun melalui tahapan pra-pemrosesan data, termasuk normalisasi dan pembentukan datatime series supervised learning, serta pembagian data menggunakan metodeTime Series Cross Validation. Untuk memperoleh performa model yang optimal, dilakukan proses hyperparameter tuningmenggunakan metodeGrid Search. Kinerja model kemudian dievaluasi menggunakan metrikRoot Mean Squared Error(RMSE) danMean Absolute Percentage Error(MAPE). Hasil penelitian menunjukkan bahwa model LSTM dengan parameter optimal mampu menghasilkan tingkat kesalahan yang rendah, dengan nilai rata-rata RMSE sebesar 2,90 dan MAPE sebesar 2,77%. Kata-kata kunci:Time Series,Deep Learning, LSTM, Harga Minyak, Prediksi, Hyperparameter Tuning,Grid Search

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika
Pengguna Deposit:	2605500532 Digilib
Date Deposited:	11 May 2026 02:06
Terakhir diubah:	11 May 2026 02:06
URI:	http://digilib.unila.ac.id/id/eprint/99334

Actions (login required)

Lihat Karya Akhir