Penerapan Metode Long Short Term Memory untuk Menentukan Prediksi Inflasi di Indonesia
Abstract
Abstract. Inflation reflects the economic stability of a region, which affects monetary policy, investment, and public welfare. Forecasting the rate of inflation is necessary as an anticipation measure to control future inflation rates. This research aims to predict inflation in Indonesia. The method used is Long Short Term Memory (LSTM), assisted by the Python programming language. The research results show that the LSTM model was built with a single hidden layer architecture with a combination of hyperparameters: 5 neurons, a batch size of 32, and a learning rate of 0.1, trained for 200 epochs with a composition of 90% training data and 10% testing data using Adam optimization, resulting in a MAPE (Mean Absolute Percentage Error) of 9.2533% for training data and 9.91525% for testing data. The inflation rate in Indonesia for July is predicted to be 2.8282988%.
Abstrak. Inflasi mencerminkan stabilitas ekonomi suatu wilayah yang mempengaruhi kebijakan moneter, investasi dan kesejahteraan masyarakat. Prediksi laju inflasi diperlukan sebagai antisipasi untuk mengendalikan laju inflasi di masa mendatang. Penelitian ini bertujuan untuk memprediksi inflasi di Indonesia. Metode yang digunakan adalah Long Short Term Memory dibantu dengan bahasa pemrograman python. Hasil penelitian menunjukan bahwa model LSTM dibangun dengan arsitektur satu hidden layer dengan kombinasi hyperparameter 5 neuron, 32 batch size dan 0.1 learning rate yang dilatih selama 200 epoch dengan komposisi 90% data training dan 10% data testing menggunakan optimasi adam menghasilkan MAPE data training 9.2533% dan MAPE data testing 9.91525%. Tingkat inflasi Indonesia pada bulan Juli diprediksi sebesar 2.8282988%.
References
[2] H. Abbasimehr, M. Shabani, and M. Yousefi, “An optimized model using LSTM network for demand forecasting,” Comput Ind Eng, vol. 143, May 2020, doi: 10.1016/j.cie.2020.106435.
[3] L. Setiawan, D. Susanti, and R. Riaman, “Analisis Perbandingan Hasil Peramalan Harga Saham Menggunakan Model Autoregresive Integrated Moving Average dan Long Short Term Memory,” Jurnal Matematika Integratif, vol. 19, no. 2, p. 223, Dec. 2023, doi: 10.24198/jmi.v19.n2.42164.223-234.
[4] K. T. Brilliansyah and U. T. Kartini, “Peralaman Jangka Sangat Pendek Daya Listrik PLTS On Grid Rumah Tinggal Menggunakan Metode Recurrent Neural Network Long Short Term Memory Berdasarkan Data Meteorologi Peramalan Jangka Sangat Pendek Daya Listrik PLTS On Grid Rumah Tinggal Menggunakan Metode Recurrent Neural Network Long Short Term Memory Berdasarkan Data Meteorologi.”
[5] C. A. Maharani, B. Warsito, and R. Santoso, “Analisis Sentimen Vaksin Covid-19 Pada Twitter Menggunakan Recurrent Neural Network (RNN) Dengan Algoritma Long Short-Term Memory (LSTM),” Jurnal Gaussian, vol. 12, no. 3, pp. 403–413, Feb. 2024, doi: 10.14710/j.gauss.12.3.403-413.
[6] B. Arief, H. Kholifatullah, and A. Prihanto, “Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech,” Journal of Informatics and Computer Science, vol. 04, 2023.
[7] S. Hochreiter and J. ¨ Urgen Schmidhuber, “Long Short-Term Memory.”
[8] J. Qiu, B. Wang, and C. Zhou, “Forecasting stock prices with long-short term memory neural network based on attention mechanism,” PLoS One, vol. 15, no. 1, Jan. 2020, doi: 10.1371/journal.pone.0227222.
[9] E. Budhiarti Nababan and M. Zarlis, “Analisis Fungsi Aktivasi Sigmoid Biner Dan Sigmoid Bipolar Dalam Algoritma Backpropagation Pada Prediksi Kemampuan Siswa,” 2015.
[10] E. Rosita et al., “Pemodelan Jaringan Syaraf Tiruan Dengan Cascade Forward Backpropagation Pada Kurs Rupiah Terhadap Dolar Amerika Serikat,” vol. 7, no. 1, pp. 64–72, 2018, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
