摘要：Metode runtun waktu cocok digunakan ketika akan memeriksa setiap pola data secara sistematis dan memiliki banyak variabel bebas, seperti pada kasus harga minyak mentah. Salah satu penelitian yang memanfaatkan metode runtun waktu adalah integrasi antara Ensemble Empirical Mode Decomposition (EEMD) dan jaringan syaraf berdasarkan algoritma Polak-Ribiére Conjugate Gradient (PCG). Jenis jaringan syaraf menggunakan FeedForward Neural Network (FNN). Namun, FNN memerlukan pengaturan parameter bebas dalam proses pembelajarannya. Sementara, parameter yang sesuai sangat dibutuhkan untuk mendapatkan hasil peramalan yang akurat. Penelitian ini mengusulkan integrasi antara EEMD dan Generalized Regression Neural Network (GRNN). GRNN memiliki keunggulan, yaitu: tidak memerlukan pengaturan parameter dan proses pembelajaran yang cepat. Untuk evaluasi, kinerja metode EEMD-GRNN dibandingkan dengan GRNN. Hasil eksperimen menunjukkan bahwa metode EEMD-GRNN menghasilkan peramalan yang lebih baik dari GRNN. Metode EEMD-GRNN memiliki nilai MSE dan RMSE lebih kecil daripada GRNN. Nilai MSE dan RMSE menggunakan data pengujian untuk WTI berturut-turut sebesar 0,0032 dan 0,0569. Sementara, Nilai MSE dan RMSE menggunakan data pengujian Brent berturut-turut sebesar 0,0017 dan 0,0415
