Analisis Prediksi Harga Minyak Mentah WTI dengan Metode ANN Backpropagation dan Long Short-Term Memory

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.