Peramalan Inflasi Menggunakan Metode Hybrid Long Short Term Memory dan Gated Recurrent Unit (LSTM-GRU) (Studi Kasus: Kota Pematangsiantar)

Bakkara, Bintang (2025) Peramalan Inflasi Menggunakan Metode Hybrid Long Short Term Memory dan Gated Recurrent Unit (LSTM-GRU) (Studi Kasus: Kota Pematangsiantar). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026211055-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy

Abstract

Inflasi merupakan fenomena ekonomi yang memiliki implikasi signifikan terhadap perekonomian suatu negara, termasuk Indonesia yang sering kali mengalami tingkat inflasi tinggi dan tidak stabil. Permasalahan ini menjadi perhatian utama karena inflasi yang tidak terkendali dapat mengurangi nilai pendapatan masyarakat dan menyebabkan distorsi harga relatif. Oleh karena itu, diperlukan upaya peramalan inflasi yang akurat untuk membantu pemerintah dalam merumuskan kebijakan moneter yang efektif. Penelitian ini akan menggunakan metode hybrid Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk meramalkan inflasi di kota Pematangsiantar. Model ini dilatih menggunakan data historis inflasi dan diuji dengan data uji untuk mengevaluasi performanya menggunakan train test split 80%-20%. Hasil percobaan menunjukkan bahwa model hybrid LSTM-GRU dengan konfigurasi terbaik (dropout rate 0.3, 256 unit LSTM dan GRU, serta batch size 32) menghasilkan RMSE sebesar 0.62, MAE 0.52, dan MAPE 4.00%. Meskipun model GRU tunggal menunjukkan performa terbaik dalam hal akurasi, hybrid LSTM-GRU lebih unggul dalam efisiensi waktu dibandingkan model GRU. Selain itu, eksperimen menunjukkan bahwa proporsi data 80:20 menghasilkan performa terbaik dengan error yang lebih rendah, memungkinkan model untuk memahami pola data dengan lebih baik. Dengan demikian, pendekatan hybrid LSTM-GRU dapat menjadi alternatif yang efektif dalam peramalan inflasi, terutama dalam skenario yang membutuhkan keseimbangan antara akurasi prediksi dan efisiensi waktu komputasi. Temuan ini diharapkan diharapkan dapat memberikan kontribusi signifikan dalam pengembangan metode peramalan inflasi yang lebih akurat dan efisien.
==============================================================================================================================
Inflation is an economic phenomenon with significant implications for a country's economy, including Indonesia, which often experiences high and unstable inflation rates. This issue is a major concern as uncontrolled inflation can reduce household purchasing power and cause distortions in relative prices. Therefore, accurate inflation forecasting is essential to assist the government in formulating effective monetary policies. This study employs a hybrid Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) model to forecast inflation in Pematangsiantar. The model is trained using historical inflation data and evaluated on test data using an 80%-20% train-test split. Experimental results show that the hybrid LSTM-GRU model with the best configuration (dropout rate of 0.3, 256 LSTM and GRU units, and batch size of 32) achieves an RMSE of 0.62, MAE of 0.52, and MAPE of 4.00%. While the GRU model demonstrates the highest accuracy, the hybrid LSTM-GRU model offers better computational efficiency. Additionally, the experiments confirm that the 80:20 data split yields the best performance with lower error rates, enabling the model to capture data patterns more effectively. Thus, the hybrid LSTM-GRU approach can serve as an effective alternative for inflation forecasting, particularly in scenarios requiring a balance between predictive accuracy and computational efficiency. These findings are expected to contribute to the development of more accurate and efficient inflation forecasting methods.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Forecasting, Inflation, Long Short-Term Memory, Gated Recurrent Unit, Pematangsiantar City, Peramalan, Inflasi, Kota Pematangsiantar.
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Bintang Bakkara
Date Deposited:	04 Feb 2025 03:16
Last Modified:	04 Feb 2025 03:16
URI:	http://repository.its.ac.id/id/eprint/118079

Actions (login required)

View Item