<![CDATA[Harga timah merupakan komoditas logam penting yang digunakan dalam berbagai sektor industri dan memiliki tingkat fluktuasi tinggi akibat pengaruh faktor ekonomi, permintaan pasar, serta kondisi global. Karakteristik tersebut menjadikan peramalan harga timah sebagai tantangan karena diperlukan model yang mampu menangkap pola non-linear pada data deret waktu. Penelitian ini bertujuan menganalisis pengaruh parameter model terhadap kinerja Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), serta membandingkan performa keduanya dengan model baseline ARIMA. Data yang digunakan berupa harga mingguan timah periode 2008–2025 yang diperoleh dari Investing.com. Evaluasi dilakukan menggunakan Root Mean Squared Error (RMSE), Directional Accuracy (DA), dan uji Diebold-Mariano (DM) pada horizon peramalan 1, 4, 8, dan 13 langkah ke depan. Hasil penelitian menunjukkan bahwa learning rate 0,01 merupakan parameter yang konsisten optimal pada kedua model dan panjang sequence optimal umumnya pendek. Pengoptimalan parameter juga terbukti memberikan pengaruh yang signifikan terhadap kinerja model. Hasil komparasi menunjukkan bahwa tidak terdapat perbedaan akurasi yang signifikan antara LSTM, GRU, dan ARIMA pada horizon 1 dan 4 langkah ke depan. Akan tetapi, pada horizon 8 dan 13 langkah ke depan, ARIMA memberikan performa yang lebih baik.]]>
Copyrights © 2026
