Sistem Prediksi Inflasi Pendidikan Dengan Algoritma Random Forest dan LSTM (Long Short-Term Memory)

Abstract

Kenaikan biaya pendidikan setiap tahunnya menimbulkan kekhawatiran bagi masyarakat dan menjadi tantangan bagi pemerintah dalam merumuskan kebijakan pendidikan yang tepat. Untuk membantu dalam proses perencanaan dan pengambilan keputusan, dikembangkan sebuah sistem prediksi inflasi pendidikan berbasis website yang memanfaatkan teknologi Machine Learning, khususnya model Random Forest dan Long Short-Term Memory (LSTM). Model Random Forest digunakan untuk memproses dan mengidentifikasi pola dari data historis inflasi dengan pendekatan ensemble learning, sementara LSTM dipilih karena kemampuannya dalam mempelajari pola sekuensial dan menangkap dinamika inflasi dalam jangka panjang. Data inflasi pendidikan diperoleh dari sumber resmi Badan Pusat Statistik (BPS) dan instansi terkait. Sistem ini menampilkan hasil prediksi inflasi untuk 12 bulan ke depan dalam bentuk grafik dan penjelasan yang mudah dipahami oleh pengguna. Dari hasil pengujian, model LSTM menunjukkan performa yang lebih unggul dalam memproyeksikan inflasi jangka panjang dibandingkan Random Forest. Dengan adanya sistem ini, diharapkan pemerintah, akademisi, dan masyarakat dapat memperoleh gambaran yang lebih jelas mengenai tren inflasi pendidikan, sehingga dapat mendukung pengambilan keputusan yang lebih tepat dan responsif terhadap perubahan kondisi ekonomi.