Electronic Theses and Dissertation

Peramalan harga minyak mentah dunia merupakan salah satu permasalahan penting dalam analisis deret waktu karena pergerakannya yang dinamis dan dipengaruhi oleh berbagai faktor global. pendekatan berbasis deep learning, khususnya long short-term memory (lstm) dan gated recurrent unit (gru), banyak digunakan karena kemampuannya dalam menangkap pola temporal pada data deret waktu. data yang digunakan dalam penelitian ini merupakan data harga minyak mentah jenis west texas intermediate (wti) periode 2010–2025. tahapan pengolahan data meliputi penanganan missing value menggunakan metode last observation carried forward (locf), transformasi logaritma, serta normalisasi menggunakan min-max scaling. proses pemodelan dilakukan dengan variasi window size, pembagian data latih dan data uji, serta kombinasi hyperparameter yang dioptimasi menggunakan pendekatan grid search. evaluasi kinerja model dilakukan menggunakan matriks rmse, mae, dan mape. hasil pengujian menunjukkan bahwa model terbaik untuk arsitektur lstm menghasilkan nilai rmse = 2,7245; mae = 2,1646; dan mape = 3,1726%, sedangkan model terbaik untuk arsitektur gru menghasilkan nilai rmse = 2,4048; mae = 1,926; dan mape = 2,8139%. perbandingan kinerja menunjukkan bahwa model gru memiliki performa yang lebih unggul dalam memprediksi harga minyak mentah dunia. model terbaik tersebut kemudian digunakan untuk melakukan peramalan pada periode 1 januari 2026 hingga 30 juni 2026, dengan hasil yang menunjukkan pola meningkat dan berada pada rentang nilai 58 usd/bbl hingga 102 usd/bbl. temuan ini menunjukkan bahwa model gru dapat digunakan sebagai pendekatan yang efektif dalam prediksi harga minyak mentah dunia serta berpotensi dimanfaatkan sebagai alat bantu dalam pengambilan keputusan di bidang ekonomi dan investasi.

Forecasting crude oil prices is a significant problem in time series analysis due to their dynamic behavior and sensitivity to various global factors. Deep learning approaches, particularly Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU), have been widely utilized because of their capability to capture temporal patterns in sequential data. The data used in this study consist of West Texas Intermediate (WTI) crude oil prices from 2010 to 2025. The preprocessing stage includes handling missing values using the Last Observation Carried Forward (LOCF) method, logarithmic transformation, and normalization using Min-Max Scaling. The modeling process is carried out by applying variations of Window size, train-test data splits, and combinations of hyperparameters optimized using a Grid Search approach. Model performance is evaluated using RMSE, MAE, and MAPE metrics. The results indicate that the best LSTM model achieves evaluation values of RMSE = 2,7245; MAE = 2,1646; and MAPE = 3,1726%; while the best GRU model achieves RMSE = 2,4048; MAE = 1,926; and MAPE = 2,8139%. The comparative analysis shows that the GRU model outperforms the other in predicting crude oil prices. The selected best model is then used to forecast crude oil prices for the period of January 1, 2026 to June 30, 2026, showing an increasing trend with predicted values ranging from 58 USD/Bbl to 102 USD/Bbl. These findings demonstrate that the GRU model can serve as an effective approach for crude oil price forecasting and has the potential to support decision-making processes in economic and investment contexts.