Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM)
Abstract Estimates of government expenditure for the next period are very important in the government, for instance for the Ministry of Finance of the Republic of Indonesia, because this can be taken into consideration in making policies regarding how much money the government should bear and whether there is sufficient availability of funds to finance it. As is the case in the health, education and social fields, modeling technology in machine learning is expected to be applied in the financial sector in government, namely in making modeling for spending predictions. In this study, it is proposed the application of Long Short-Term Memory (LSTM) Model for expenditure predictions. Experiments show that LSTM model using three hidden layers and the appropriate hyperparameters can produce Mean Square Error (MSE) performance of 0.2325, Root Mean Square Error (RMSE) of 0.4820, Mean Average Error (MAE) of 0.3292 and Mean Everage Presentage Error (MAPE) of 0.4214. This is better than conventional modeling using the Auto Regressive Integrated Moving Average (ARIMA) as a comparison model. ; Perkiraan pengeluaran belanja pemerintah untuk periode kedepan merupakan hal yang sangat penting di pemerintah dalam hal ini pada Kementerian Keuangan Republik Indonesia, karena hal ini dapat dijadikan bahan pertimbangan dalam mengambil kebijakan terkait berapa nilai uang yang harus ditanggung pemerintah serta apakah ada ketersediaan dana yang cukup dalam membiayai belanja tersebut untuk periode yang akan datang. Seperti halnya pada bidang kesehatan, pendidikan dan sosial, teknologi pemodelan pada Machine Learning diharapkan dapat diterapkan di bidang keuangan pada pemerintahan, yaitu dalam membuat pemodelan untuk prediksi belanja. Pada penelitian ini, diusulkan penerapan model Long Short-Term Memory (LSTM) untuk prediksi belanja. Eksperimen menunjukkan model LSTM dengan menggunakan tiga hidden layers dan hyperparameter yang tepat dapat menghasilkan performa Mean Square Error (MSE) sebesar 0.2325, Root Mean Square Error (RMSE) sebesar 0.4820, Mean Average Error (MAE) sebesar 0.3292 dan Mean Everage Presentage Error (MAPE) sebesar 0.4214. Ini lebih baik dibandingkan pemodelan konvensional menggunakan Auto Regressive Integrated Moving Average (ARIMA) sebagai model pembanding.