GRAPH NEURAL NETWORKS DALAM PERAMALAN DERET WAKTU BERSELANG TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh MIKHAEL BELMIRO NIM: 20922002 (Program Studi Magister Sains Komputasi) INSTITUT TEKNOLOGI BANDUNG November 2023 i ABSTRAK GRAPH NEURAL NETWORKS DALAM PERAMALAN DERET WAKTU BERSELANG Oleh Mikhael Belmiro NIM: 20922002 (Program Studi Magister Sains Komputasi) Peramalan data deret waktu berselang merupakan suatu subpermasalahan dari peramalan deret waktu, dimana pada peramalan deret waktu berselang, nilai nol lebih sering muncul dibandingkan dengan data deret waktu. Hal ini menyebabkan metode yang sering digunakan pada peramalan deret waktu seperti ARIMA tidak bisa langsung digunakan karena asumsi kestasioneran ARIMA. Oleh karena itu, diperkenalkanlah beberapa metode khusus untuk menyelesaikan peramalan deret waktu berselang ini. Terdapat dua keluarga metode yang mendominasi penyelesaian permasalahan peramalan deret waktu berselang. Kedua keluarga metode tersebut adalah metode demand arrival time yang menggunakan informasi kapan terjadinya data tidak nol dan juga metode aggregate-disaggregate yang melakukan agregasi secara temporal untuk mendapatkan representasi data yang lebih smooth. Sejauh ini belum ada metode yang menggabungkan kedua ide tersebut, ditambah lagi riset terkait deep – learning dalam peramalan deret waktu berselang masih belum banyak. Oleh karena itu, pada tesis ini dibuat suatu model yang melakukan imitasi kedua ide tersebut secara deep – learning yang ditambah dengan komponen graph neural networks (GNN) dalam melakukan peramalan deret waktu berselang. Model itu dinamakan intermittent time graph neural forecast atau disingkat dengan ITNGF. ITNGF mendapatkan hasil paling baik secara metrik 4/5' dan 4/55'� pada tiga buah benchmark dataset jika dibandingkan dengan model yang sering digunakan pada peramalan deret waktu berselang. Selain itu ITNGF berupaya untuk menjembatani riset terkait GNN dengan peramalan deret waktu berselang karena ITNGF merupakan model GNN pertama yang digunakan untuk peramalan deret waktu berselang. Keywords: Peramalan Deret Waktu Berselang, Peramalan Deret Waktu, Graph Neural Networks. ii ABSTRACT GRAPH NEURAL NETWORKS IN INTERMITTENT TIME- SERIES FORECASTING By Mikhael Belmiro NIM: 20922002 (Master’s Program in Computational Science) Intermittent time-series forecasting is a subproblem of time-series forecasting, where in intermittent time-series forecasting there is more considerable amount of zeroes present in the data as opposed to regular time-series forecasting. This causes method usually used in time-series forecasting like ARIMA cannot be used directly due to stationarity assumption ARIMA holds. Therefore, there are several models that specifically tackle intermittent time-series forecasting that have been introduced. There exists two family of models that are predominant in intermittent time-series forecasting. The two family of models are demand arrival time, which uses information regarding when a non-zero value will be present and aggregate- disaggregate, which aggregates data in the temporal dimension to obtain a smoother form of the data. Up until now there is no model that directly combines the ideas of those two methods, furthermore the research in deep-learning regarding intermittent time-series is not yet as well-researched as its regular time- series forecasting counterpart. Therefore in this thesis, a new model which imitates those two ideas and implements it using deep – learning methods using graph neural networks components is introduced. The model is called intermittent time graph neural forecast or ITNGF. ITNGF achieves the best result in terms of 4/5' and 4/55' in three different benchmark datasets if compared to methods that are frequently used in intermittent time-series forecasting.