Penerapan Metode Long Short Term Memory untuk Menentukan Prediksi Inflasi di Indonesia

Source 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%.