RECURRENT NEURAL NETWORK (RNN) BERBASIS LONG-SHORT TERM MEMORY (LSTM) UNTUK PERAMALAN INFLASI DI INDONESIA

AJENG, PUJA KUSUMA (2023) RECURRENT NEURAL NETWORK (RNN) BERBASIS LONG-SHORT TERM MEMORY (LSTM) UNTUK PERAMALAN INFLASI DI INDONESIA. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. abstrak - abstract.pdf Download (53Kb) | Preview
	File PDF 2. skripsi full.pdf Restricted to Hanya staf Download (1915Kb) | Minta salinan
Preview	File PDF 3. skripsi tanpa pembahasan.pdf Download (1171Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Long-Short Term Memory (LSTM) merupakan perkembangan dari Recurrent Neural Network (RNN) yang dapat mengatasi kelemahan dari RNN yang tidak mampu menyimpan informasi dalam jangka panjang. Dalam LSTM, terdapat 3 jenis gate yaitu input gate, forget gate, dan output gate yang memungkinkan LSTM untuk menyimpan informasi dalam jangka waktu yang lama. Penelitian ini bertujuan untuk menerapkan RNN berbasis LSTM dalam meramalkan inflasi di Indonesia. Penelitian ini menggunakan tiga skenario pembagian data yaitu 70% training dan 30% testing, 80% training dan 20% testing, serta 90% training dan 10% testing. Data yang digunakan pada penelitian ini adalah data inflasi Indonesia pada Januari 1980 sampai Desember 2022. Hasil penelitian menunjukkan bahwa pembagian data terbaik yaitu 90% training dan 10% testing dan diperoleh parameter terbaik 16 neuron, 0.2 dropout, 2000 epoch, dan 1000 batch size dengan nilai RMSE sebesar 0.3729 dan akurasi sebesar 96.56%. Berdasarkan hasil peramalan, diperoleh bahwa nilai inflasi di Indonesia mengalami kenaikan dan penurunan atau berfluktuasi dengan nilai inflasi tertinggi yaitu pada periode April 2023 sebesar 0.6281 dan nilai inflasi terendah terjadi pada periode Agustus 2023 sebesar −0.0062. Kata Kunci: Peramalan, Recurrent Neural Network, Long-Short Term Memory, Inflasi.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MIPA > Prodi Matematika
Pengguna Deposit:	2301291719 . Digilib
Date Deposited:	13 Jun 2023 04:03
Terakhir diubah:	13 Jun 2023 04:03
URI:	http://digilib.unila.ac.id/id/eprint/72044

Actions (login required)

Lihat Karya Akhir