PENERAPAN MODEL LSTM (LONG SHORT-TERM MEMORY) DALAM PERAMALAN INFLASI MONTH ON MONTH DI INDONESIA

Abstract

Inflasi sebagai indikator makroekonomi kritis di Indonesia seringkali menunjukkan fluktuasi yang sulit diprediksi menggunakan metode statistik konvensional karena sifatnya yang non-linier dan kompleks. Permasalahan utama terletak pada ketidakmampuan model tradisional dalam menangkap pola temporal jangka panjang dan ketergantungan antar-waktu dalam data inflasi, yang berakibat pada ketidakakuratan prediksi. Selain itu, minimnya implementasi teknologi canggih dalam peramalan inflasi menyebabkan keterbatasan alat bantu bagi pembuat kebijakan. Untuk mengatasi masalah ini, penelitian ini mengembangkan model Long Short-Term Memory (LSTM) untuk memprediksi inflasi bulanan (month-on-month) dengan akurasi tinggi. Menggunakan data Bank Indonesia periode Januari 2003-Mei 2025 (269 observasi), model dibangun melalui pendekatan CRISP-DM dengan normalisasi MinMaxScaler, pembentukan sequence (15 time-steps), dan pembagian data (60:40). Hasil evaluasi menunjukkan performa luar biasa: MSE 0.001573, MAE 0.029463, dan R² 0.96075, mengindikasikan kemampuan prediksi yang stabil dan akurat. Implementasi aplikasi berbasis Streamlit menyediakan antarmuka interaktif untuk visualisasi data historis, evaluasi model, dan prediksi 12 bulan ke depan, memudahkan pengguna dalam analisis kebijakan. Temuan ini membuktikan keunggulan LSTM dalam menangkap pola kompleks inflasi sekaligus memberikan solusi praktis berbasis deep learning untuk peramalan ekonomi.