PREDIKSI HARGA MINYAK MENTAH BRENT MENGGUNAKAN BI-LSTM ATTENTION PADA KRISIS GEOPOLITIK 2026

Abstrak

Harga minyak mentah Brent sebagai tolok ukur pasar energi global sangat rentan terhadap guncangan geopolitik, sebagaimana tercermin dari lonjakan harga ekstrem yang terjadi akibat gangguan jalur distribusi di kawasan Timur Tengah pada awal 2026. Kondisi ini menegaskan urgensi pengembangan model prediksi harga minyak yang akurat dan andal, terutama pada periode volatilitas tinggi. Penelitian ini mengusulkan model Bidirectional Long Short-Term Memory (BiLSTM) yang dilengkapi attention mechanism untuk memprediksi harga penutupan harian minyak mentah Brent. Data yang digunakan mencakup 4.032 observasi harian dari periode Januari 2010 hingga Februari 2026. Transformasi log-return diterapkan untuk mengatasi non-stasioneritas data harga, diikuti normalisasi MinMaxScaler dan pembentukan sekuens sliding window sepanjang 60 hari. Arsitektur model terdiri dari dua lapisan BiLSTM dengan BatchNormalization, custom attention layer, dan mekanisme Dropout sebagai regularisasi, dengan total 79.969 parameter. Hasil evaluasi pada test set menunjukkan performa yang sangat baik dengan MAPE sebesar 1,37%, RMSE $1,34, MAE $1,01, dan R² = 0,9718. Sebanyak 98,3% prediksi berada dalam rentang toleransi tanpa adanya systematic bias. Penelitian ini menunjukkan bahwa kombinasi transformasi log-return dan arsitektur BiLSTM + attention secara efektif mengatasi keterbatasan pemodelan harga langsung, dan memberikan fondasi metodologis yang kuat untuk pengembangan sistem prediksi harga energi berbasis deep learning.

Brent crude oil prices, as the primary benchmark of the global energy market, are highly susceptible to geopolitical shocks, as demonstrated by the extreme price surge triggered by distribution route disruptions in the Middle East region in early 2026. This condition underscores the urgency of developing accurate and reliable oil price prediction models, particularly during periods of high volatility. This study proposes a Bidirectional Long Short-Term Memory (BiLSTM) model equipped with an attention mechanism to predict daily closing prices of Brent crude oil. The dataset comprises 4,032 daily observations spanning January 2010 to February 2026. Log-return transformation was applied to address the non-stationarity of raw price data, followed by MinMaxScaler normalization and sliding window sequence construction with a window length of 60 days. The model architecture consists of two BiLSTM layers with BatchNormalization, a custom attention layer, and Dropout regularization, totaling 79,969 parameters. Evaluation on the test set demonstrated excellent performance, achieving a MAPE of 1.37%, RMSE of $1.34, MAE of $1.01, and R² of 0.9718. A total of 98.3% of predictions fell within error tolerance with no systematic bias detected. This study demonstrates that the combination of log-return transformation and BiLSTM + attention architecture effectively overcomes the limitations of direct price modeling, providing a robust methodological foundation for the development of deep learning-based energy price forecasting systems.