2019 : PENGEMBANGAN MODEL HYBRID RECURRENT NEURAL NETWORKS UNTUK PREDIKSI DATA TIME SERIES MULTIVARIAT

Victor Hariadi S.Si., M.Kom.

Ahmad Saikhu S.SI., MT.

Fajar Baskoro S.Kom.MT.

Arya Yudhi Wijaya S.Kom, M.Kom.

Abstract

Dalam kehidupan sehari-hari, seringkali ditemui himpunan data periodik yang disebut dengan data runtun waktu (time series) pada berbagai sektor. Peramalan data time series merupakan salah satu topik yang menarik dalam disiplin ilmu data mining, khususnya berkaitan dengan tipe data spatio-temporal. Peramalan data Multivariate Time Series (MTS) cukup efektif untuk membantu perencanaan, monitoring, diagnosa dan pengambilan keputusan pada berbagai aktifitas sektor hidrologi, meteorology/klimatologi, medis, keuangan dan manufaktur. Seleksi fitur input adalah masalah utama dalam pemodelan spatio-temporal MTS. Pada prediksi curah hujan, klasifikasi biomedis, pengenalan pola dan monitoring data sensor, akan dijumpai bahwa jumlah input fitur unuk pemodelan adalah puluhan ataupun ratusan variabel. Masalah yang muncul adalah tidak semua fitur adalah relevan diperhitungkan dalam MTS. Masalah lain, adanya dependensi antar fitur input, asosiasi fitur input terhadap variabel waktu (time-lags), adanya dependensi terhadap waktu dan jenis/pola hubungan yang tidak hanya linier, namun juga non linier. Pada umumnya identifikasi dan pembentukan fitur time-lags menggunakan PACF (Partial Autocorrelation Function) dan CCF (Cross Correlation Funtion) di mana keduanya mengasumsikan asosiasi yang bersifat linier. Dalam prakteknya, asosiasi time-lags antar fitur tidak hanya bersifat linier. Oleh karenanya, pada penelitian ini diusulkan solusi untuk 2 permasalahan pada peramalan data MTS. Pertama adalah melakukan proses seleksi fitur input yang relevan dan tidak redundan berkaitan dengan asosiasi yang bersifat linier dan non liner berdasarkan dependensi waktu dan lokasi. Kedua adalah mengembangkan metode peramalan data MTS yang memiliki akurasi hasil yang baik dengan menggunakan metode hybrid Recurrent Neural Networks (RNN). Pengujian efektifitas metode dan model dilakukan pada data spatio-temporal meteorologi dan data sintetik. Tim peneliti terdiri atas 3 dosen Teknik Informatika, 1 mahasiswa semester 8 Prodi S3 Ilmu Komputer (sekaligus dosen di Jurusan Teknik Informatika) dan 1 mahasiswa semester 8 Prodi S1 Teknik Informatika. Penelitian ini rencananya diselesaikan dalam 5 bulan. Keywords— Peramalan, MTS, Seleksi input, hybrid Recurrent Neural Networks.