Sistem Prediksi Inflasi Nilai Rupiah Menggunakan Model Long Short-Term Memory (LSTM)

Inflasi adalah indikator ekonomi krusial yang memerlukan model prediksi akurat. Penelitian ini bertujuan mengembangkan sistem prediksi inflasi bulanan di Indonesia menggunakan arsitektur Long Short-Term Memory (LSTM). Metode meliputi akuisisi data historis dari Bank Indonesia, pra-pemrosesan dengan normalisasi Min-Max Scaler, dan pelatihan model LSTM univariat. Hasil evaluasi menunjukkan performa sangat baik dengan nilai MAE 0.2999, RMSE 0.3903, dan R² 0.8796, yang mengindikasikan model mampu menjelaskan 88% variabilitas data. Secara khusus, kontribusi penelitian ini adalah implementasi model LSTM univariat yang hanya mengandalkan satu jenis data historis, sehingga menghasilkan baseline prediksi yang transparan, efisien, dan mudah direplikasi.Disimpulkan bahwa LSTM efektif untuk prediksi inflasi di Indonesia dan menjadi landasan yang solid untuk penelitian selanjutnya.