Deteksi Dini Krisis Keuangan di Filipina Menggunakan Model LSTM, Hybrid CNN-LSTM, dan GRU

Oleh :
Satya Bintang Esa Resiadi - M0722071 - Fak. MIPA

Penelitian ini bertujuan untuk mengembangkan sistem peringatan dini (Early Warning System atau EWS) dalam mendeteksi krisis keuangan di Filipina dengan membandingkan kinerja model deep learning. Data yang digunakan berupa deret waktu bulanan periode 1990–2025 yang diperoleh dari IMF, BSP, dan World Bank, mencakup indikator makroekonomi seperti nilai tukar, cadangan devisa, suku bunga, dan jumlah uang beredar. Metode penelitian meliputi pembentukan indeks Exchange Market Pressure (EMP) sebagai indikator krisis, preprocessing data, seleksi fitur menggunakan mutual information, normalisasi data, serta penanganan ketidakseimbangan data menggunakan T-SMOTE dan Tomek Links. Model yang digunakan meliputi model deep learning seperti LSTM, GRU, dan hybrid CNN-LSTM yang dievaluasi menggunakan metode expanding window dengan metrik akurasi, presisi, recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa model LSTM memiliki kinerja terbaik dengan nilai recall sebesar 94,44% dan F1-Score sebesar 93,58%, sehingga mampu mendeteksi sinyal krisis secara lebih optimal. Hasil peramalan periode 2025–2026 menunjukkan tidak adanya indikasi krisis karena probabilitas berada di bawah ambang batas. Penelitian ini menyimpulkan bahwa LSTM merupakan model paling efektif dalam deteksi dini krisis keuangan karena kemampuannya menangkap dependensi temporal jangka panjang.