Prediksi data Multivariate Time Series (MTS) merupakan tantangan signifikan dalam bidang ilmu data karena dimensionalitas data yang tinggi. Dimensionalitas yang tinggi seringkali mempengaruhi akurasi dan efisiensi model prediksi. Penelitian ini bertujuan mengeksplorasi pengaruh pengurangan dimensionalitas data Multivariate Time series (MTS) pada Gated Recurrent Unit (GRU) dan Bidirectional Long Short-Term Memory (Bi-LSTM). Metode Ensemble Feature Selection digunakan untuk mengurangi dimensionalitas, dengan memanfaatkan empat algoritma yaitu Random Forest Regressor, LASSO Regressor, Linear Regression, dan Beta Coefficients. Penelitian ini membandingkan performa antara GRU dan Bi-LSTM sebelum dan setelah pengurangan dimensionalitas. Tahapan penelitian mencakup studi literatur, pengumpulan dataset, preprocessing data, pelatihan model, dan evaluasi performa menggunakan metrik RMSE, MAE, R2, dan waktu eksekusi. Hasil penelitian menunjukkan bahwa pengurangan dimensionalitas data melalui Ensemble Feature Selection meningkatkan performa prediksi pada kedua model. GRU menunjukkan perubahan performa yang lebih signifikan dan peningkatan waktu eksekusi yang lebih baik dibandingkan dengan Bi-LSTM.
KATA KUNCI : Bidirectional Long Short-Term Memory;Ensemble Feature Selection;Gated Recurrent Unit;Multivariate Time Series