Jika data dapat dipengaruhi oleh data sebelumnya, maka data tersebut dapat dikatakan memiliki sifat
sekuensial. Berbeda dengan data yang tidak sekuensial, pengacakan urutan data sekuensial dapat
mengubah data. Model neural network yang biasa umumnya tidak dapat membedakan data sekuensial atau
tidak. Dengan demikian model recurrent dibuat khusus untuk mengelola data yang memiliki sifat sekuensial
dengan mempelajari hubungan antara satu data dengan data sebelumnya. Ada banyak hal yang harus
diperhatikan untuk membuat model recurrent. Salah satunya adalah arsitektur model itu sendiri. Dalam
tulisan ini, whale optimization algorithm (WOA) digunakan untuk mengoptimalkan arsitektur LSTM
dengan menentukan jumlah neuron dan dropout dari tiap hidden layer. Hasil eksperimen menunjukkan
bahwa ia dapat menghasilkan LSTM optimal dengan akurasi 83.59%.