Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) Dan ARIMA (Autocorrelation Integrated Moving Average) Dalam Bahasa Python.
Abstrak - Penelitian ini bertujuan untuk memprediksi data deret waktu dengan menggunakan dua metode, metode pertama yang umum digunakan adalah statistik Autocorrelation Integrated Moving Average (model ARIMA) dan metode kedua yang relatif baru, yaitu pembelajaran mesin Long Short Term Memory (LSTM). Sebelum data diproses dengan kedua metode, pembersihan data dan pengoptimalan data dilakukan. Optimalisasi data adalah proses transformasi untuk menghilangkan elemen tren dan variasi dari data. Transformasi terdiri dari 7 hasil kombinasi dari proses Log, Moving Average (MA), Exponential Weigh Moving Average (EWMA), dan Differencing (Diff). Tujuh proses masing-masing digunakan dalam proses ARIMA dan LSTM. Sehingga 14 prediksi akan diperoleh (7 dari proses ARIMA dan 7 dari proses LSTM). Dari 14 hasil prediksi diperoleh nilai RMSE terkecil untuk ARIMA adalah 2% dan nilai RMSE terkecil untuk LSTM adalah 1%. Hasil penelitian ini menggunakan 7 kombinasi proses transformasi, dapat meningkatkan tingkat akurasi prediksi dari ARIMA dan LSTM. Dimana akurasi mesin pembelajaran LSTM dengan menggunakan data stok Telkom memiliki akurasi lebih tinggi dari ARIMA.