Penerapan LSTM Dengan Regularisasi Untuk Mencegah Overfitting Pada Model Prediksi Tingkat Inflasi di Indonesia

Abstract

Permasalahan inflasi dapat mempengaruhi pengembangan strategi, keputusan dan kebijakan pemerintah, sehingga diperlukan pemahaman mendalam mengenai tren inflasi di masa yang akan datang. Dalam menghadapi situasi ini diperlukan model prediksi yang dapat memodelkan tren inflasi di masa yang akan datang dengan tepat. Salah satu pendekatan yang dapat digunakan adalah backpropagation, namun penerapan backpropagation pada permasalahan prediksi seperti pada penelitian sebelumnya mendapatkan tantangan tersendiri, terutama pada data runtun waktu yang biasanya menghadirkan ketergantungan temporal. Penggunaan backpropagation dalam penelitian sebelumnya juga menunjukan perilaku overfitting. Tujuan dari penelitian ini adalah mengatasi ketergantungan temporal pada data runtun waktu menggunakan Long-Short Term Memory (LSTM) dan penerapan dropout dalam arsitektur LSTM untuk mencegah terjadinya overfitting pada model prediksi tingkat inflasi di Indonesia. Hasil dari penelitian ini menunjukan bahwa penerapan LSTM untuk mengatasi data dengan ketergantungan temporal menghasilkan kinerja yang cukup baik dan juga penggunaan dropout pada LSTM dapat mengatasi permasalahan overfitting pada prediksi tingkat inflasi di Indonesia.