Implementasi Algoritma Long Short-Term Memory Untuk Prediksi Tingkat Inflasi di Jawa Timur
Keywords:
inflasi, Long Short-Term Memory (LSTM), Prediksi, Data deret waktuAbstract
Stabilitas ekonomi di Jawa Timur, sebagai salah satu pilar ekonomi nasional, sangat dipengaruhi oleh tingkat inflasi yang fluktuatif. Prediksi inflasi yang akurat sangat penting untuk perumusan kebijakan, namun metode tradisional seperti ARIMA seringkali kesulitan menangani data deret waktu yang kompleks dan dependensi jangka panjang. Penelitian ini bertujuan untuk mengimplementasikan algoritma Long Short-Term Memory (LSTM) guna menghasilkan model prediksi inflasi yang lebih akurat dan adaptif di Jawa Timur. Penelitian ini menggunakan data inflasi Year-on-Year (YoY) bulanan univariat dari BPS Jawa Timur periode Januari 2005 hingga Desember 2024. Metode penelitian meliputi pra-pemrosesan data menggunakan Min-Max Scaler dan Sliding Window , serta pengujian dua skenario hyperparameter (epoch, layer, dan neuron). Evaluasi model menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan bahwa arsitektur LSTM 2 layer dengan 128 neuron pada setiap layer dan 100 epoch menghasilkan performa terbaik, dengan nilai RMSE 1,1986, MAE 0,6209, dan MAPE 14,74%. Model LSTM ini terbukti secara signifikan mengungguli model pembanding ARIMA (RMSE 1,9666) dan Triple Exponential Smoothing (RMSE 2,5605) . Penelitian ini menyimpulkan bahwa LSTM adalah model yang andal dan layak untuk memprediksi tingkat inflasi di Jawa Timur serta dapat menjadi baseline untuk penelitian selanjutnya.
References
Kelompok Kerja Nasional TPID, “Buku Petunjuk TPID,” Jakarta, Mar. 2014.
R. E. Jarot, J. Pudjowati, and A. Fattah, “Analisis Faktor-Faktor yang Mempengaruhi Tingkat Inflasi di Jawa Timur,” EkoBis: Jurnal Ekonomi & Bisnis, vol. 1, no. 2, pp. 98–108, Mar. 2021, doi: 10.46821/ekobis.v1i2.33.
“Inflasi Tahun ke Tahun (Y o Y) - Tabel Statistik - Badan Pusat Statistik Provinsi Jawa Timur.” Accessed: Oct. 28, 2025. [Online]. Available: https://jatim.bps.go.id/id/statistics-table/2/NDYjMg==/inflasi-tahun-ke-tahun.html
R. T. Ahsan and N. A. K. Rifai, “Perbandingan Metode Seasonal ARIMA dan Metode Fuzzy Time Series-Markov Pada Prediksi Inflasi di Indonesia,” Bandung Conference Series: Statistics, vol. 3, no. 2, pp. 662–669, Sep. 2023, doi: 10.29313/bcss.v3i2.9138.
E. Mutiara Nuralifia and Rodiah, “Analisis Perbandingan Metode Terbaik Peramalan Inflasi di Jawa Barat dengan ARIMA, Linear Regression, Triple Exponential Smoothing,” Jurnal Sistem Informasi Bisnis, p. 1, 2025, doi: 10.21456/vol15iss1pp11-20.
K. Greff, R. K. Srivastava, J. Koutnik, B. R. Steunebrink, and J. Schmidhuber, “LSTM: A Search Space Odyssey,” IEEE Trans Neural Netw Learn Syst, vol. 28, no. 10, pp. 2222–2232, Oct. 2017, doi: 10.1109/TNNLS.2016.2582924.
M. F. Rizkilloh and S. Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 25–31, Feb. 2022, doi: 10.29207/resti.v6i1.3630.
W. Sumarjaya and M. Susilawati, “Forecasting Monthly Inflation Rate in Denpasar Using Long Short-Term Memory,” vol. 13, no. 1, pp. 11–24, 2023, doi: 10.24843/JMAT.2023.v13.i01.p157.
V. Gallan, “LSTM (Long Short Term Memory).,” Medium. Accessed: Oct. 31, 2025. [Online]. Available: https://medium.com/bina-nusantara-it-division/lstm-long-short-term-memory-d29779e2ebf8
