I Industri pengelasan masih menghadapi permasalahan dalam pemantauan aktivitas tukang las yang umumnya dilakukan secara manual, sehingga menyulitkan pengawasan disiplin kerja, konsistensi kualitas pengelasan, serta keselamatan kerja. aktivitas juru las memiliki pola gerakan yang kompleks, berulang, dan bersifat deret waktu, sehingga memerlukan metode yang mampu menangkap ketergantungan temporal dari data sensor. penelitian ini bertujuan untuk memprediksi dan mengidentifikasi aktivitas tukang las secara otomatis menggunakan metode long short-term memory (lstm) berdasarkan data deret waktu dari sensor accelerometer, gyroscope, dan magnetometer. data sensor diproses melalui tahapan preprocessing, segmentasi sliding window, serta ekstraksi fitur statistik sebelum dimodelkan menggunakan lstm. kinerja model dievaluasi menggunakan confusion matrix serta metrik accuracy, precision, recall, dan f1-score. hasil penelitian menunjukkan bahwa model lstm mampu memprediksi aktivitas tukang las dengan akurasi rata-rata sekitar 70%, dengan performa terbaik pada aktivitas pengelasan utama (welding), sedangkan aktivitas dengan pola gerakan yang lebih beragam dan saling tumpang tindih menunjukkan performa yang lebih rendah. hasil ini menunjukkan bahwa metode lstm cukup efektif untuk memodelkan aktivitas tukang las berbasis data sensor deret waktu dan berpotensi dikembangkan lebih lanjut sebagai sistem pendukung pemantauan, pelatihan, dan peningkatan keselamatan kerja di lingkungan industri.