Krisis keuangan terus menjadi ancaman serius bagi negara berkembang seperti Indonesia, yang mengalami volatilitas makroekonomi berkepanjangan. Penelitian ini bertujuan untuk mengembangkan sistem peringatan dini krisis keuangan berbasis klasifikasi biner dengan menggunakan model Long Short-Term Memory (LSTM), serta mengadopsi kerangka Exchange Market Pressure (EMP) yang diperkenalkan oleh Kaminsky. Periode krisis didefinisikan ketika nilai indeks EMP melebihi threshold sebesar 2. Dataset yang digunakan terdiri atas 17 indikator makroekonomi bulanan yang mencakup periode Januari 1990 hingga April 2025. Seleksi fitur dilakukan menggunakan metode Noise-to-Signal Ratio (NSR), yang menghasilkan tiga variabel dengan nilai NSR di bawah satu. Indikator-indikator tersebut meliputi suku bunga deposito riil, rasio M2 terhadap cadangan devisa, dan nilai tukar riil. Ketiga indikator terpilih ini dijadikan input bagi model sequenceial temporal dengan jendela waktu selama 24 bulan. Model dilatih menggunakan framework PyTorch dan dioptimasi dengan Optuna melalui 30 percobaan, masing-masing dengan maksimum 1000 epoch. Empat algoritma optimasi dibandingkan, yaitu SGD, RMSprop, Adam, dan Nadam. Performa terbaik diperoleh dari model berbasis Nadam, yang menggunakan empat lapisan LSTM dengan 32 unit tersembunyi, tingkat dropout sebesar 0,3, laju pembelajaran 0,0005, dan ukuran batch 512. Model akhir mencatatkan akurasi sebesar 96,75%, presisi 95,61%, recall 94,29%, dan specificity 98,30%. Hasil peramalan menggunakan data terbaru dari Mei 2023 hingga April 2025 menunjukkan tidak adanya sinyal peringatan dini, yang mengindikasikan bahwa tidak terdapat proyeksi krisis keuangan pada periode Mei 2025 hingga April 2027.