TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints72044
UR  - http://digilib.unila.ac.id/72044/
A1  - AJENG, PUJA KUSUMA
Y1  - 2023/05/29/
N2  - 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.
PB  - FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
TI  - RECURRENT NEURAL NETWORK (RNN) BERBASIS LONG-SHORT
TERM MEMORY (LSTM) UNTUK PERAMALAN INFLASI DI
INDONESIA
AV  - restricted
ER  -