Prediksi Indeks Harga Konsumen Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing
| Main Authors: | Zahara, Soffa, Sugianto, M. Bahril Ilmiddafiq |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
Ikatan Ahli Informatika Indonesia (IAII)
, 2019
|
| Subjects: | |
| Online Access: |
http://jurnal.iaii.or.id/index.php/RESTI/article/view/1086 http://jurnal.iaii.or.id/index.php/RESTI/article/view/1086/165 |
Daftar Isi:
- Long Short Term Memory (LSTM) is known as optimized Recurrent Neural Network (RNN) architectures that overcome RNN’s lact about maintaining long period of memories. As part of machine learning networks, LSTM also notable as the right choice for time-series prediction. Currently, machine learning is a burning issue in economic world, abundant studies such predicting macroeconomic and microeconomics indicators are emerge. Inflation rate has been used for decision making for central banks also private sector. In Indonesia, CPI (Consumer Price Index) is one of best practice inflation indicators besides Wholesale Price Index and The Gross Domestic Product (GDP). Since CPI data could be used as a direction for next inflation move, we conducted CPI prediction model using LSTM method. The network model input consists of 28 variables of staple price in Surabaya and the output is CPI value, also the entire development of prediction model are done in Amazon Web Service (AWS) Cloud. In the interest of accuracy improvement, we used several optimization algorithm i.e. Stochastic Gradient Descent (sgd), Root Mean Square Propagation (RMSProp), Adaptive Gradient(AdaGrad), Adaptive moment (Adam), Adadelta, Nesterov Adam (Nadam) and Adamax. The results indicate that Nadam has 4,008 RMSE’s value, less than other algorithm which indicate the most accurate optimization algorithm to predict CPI value.
- Long Short Term Memory (LSTM) merupakan pengembangan salah satu algoritma deep learning yaitu Recurrent Neural Network (RNN) yang mengatasi salah satu kekurangan RNN yaitu kemampuan pengelolaan informasi dalam periode yang lama. LSTM banyak dipilih oleh untuk prediksi berbasis waktu atau time-series karena dikenal lebih unggul dan handal dalam melakukan prediksi dalam waktu lama dibanding algoritma lain. Topik inflasi banyak menjadi topik perbincangan karena menjadi salah satu faktor keberhasilan pengelolaan ekonomi dalam suatu negara juga menjadi faktor penentu kebijakan dalam bidang ekonomi. Di Indonesia, perhitungan inflasi dapat memakai nilai Indeks Harga Konsumen (IHK). Pembuatan model prediksi dalam penelitian ini menggunakan 28 jenis bahan makanan pokok sebagai input yang didapatkan dari Dinas Perdagangan dan Perindustrian Provinsi Jawa Timur, sedangkan output dari model prediksi yaitu nilai Indeks Harga Konsumen (IHK) didapatkan dari Badan Pusat Statistik Provinsi Jawa Timur. Keseluruhan proses pembangunan dan pengujian model prediksi dilakukan di lingkungan Cloud Computing dengan menggunakan Amazon Web Service (AWS) Cloud. Untuk meningkatkan akurasi dalam pembuatan model prediksi, penelitian ini menggunakan 7 algoritma optimasi yang berbeda yaitu Stochastic Gradient Descent (sgd), Root Mean Square Propagation (RMSProp), Adaptive Gradient (AdaGrad), Adaptive moment (Adam), Adadelta, Nesterov Adam (Nadam) dan Adamax. Hasil akhir menunjukkan algoritma terbaik untuk prediksi IHK yaitu Nesterov Adam (Nadam) memiliki nilai MRSE paling kecil dengan nilai 4,008.