Perpustakaan Digital ITB

Metode prediksi multivariate time series memanfaatkan informasi dari berbagai time series untuk menghasilkan prediksi. Data time series domain finansial memiliki karakteristik dan bentuk yang dipengaruhi oleh struktur pasar finansial dan berbagai atribut lain. Berdasarkan kedua pernyataan tersebut, prediksi multivariate time series dipilih sebagai metode prediksi data multivariate time series domain finansial dengan memasukkan atribut atribut lain yang mempengaruhi pergerakan harga data finansial ke dalam algoritma prediksi. Selain keterhubungan antar data finansial, data time series dalam domain finansial juga dipengaruhi oleh nilai masa lalu dari harga tersebut. Sehingga dengan menggabungkan metode prediksi yang dapat memanfaatkan keterhubungan antar variabel dan juga mengenali pola temporal pada setiap time series diharapkan dapat menghasilkan prediksi yang lebih akurat. Karakteristik data time series domain finansial ini sesuai dengan arsitektur StemGNN (Cao dkk., 2021) yang mengintegrasikan konvolusi graph dalam domain spektral, dan konvolusi temporal dalam domain temporal menggunakan Discrete Fourier Transform (DFT). Sehingga pada penelitian ini akan dilakukan eksperimen metode tersebut pada domain finansial. Pada arsitektur StemGNN, sub modul Latent Correlation Layer (LCL) merupakan sub modul dengan kontribusi kinerja paling kecil, sehingga akan dilakukan ujicoba meningkatkan kinerja StemGNN dengan menggunakan modul pembentukan struktur graph dari Multivariate Time Series Graph Neural Network (MTGNN) yaitu Node embedding (NE), serta membandingkannya dengan struktur graph menggunakan Uji Kausalitas Granger (GCT). Dari eksperimen yang dilakukan, NE menghasilkan kinerja prediksi yang lebih baik dibandingkan dengan LCL dan GCT dengan peningkatan kinerja rata-rata untuk dataset beras, komoditas, matauang masing masing sebesar 7,93%, 9,73%, dan 16,06%. Kinerja NE lebih baik bila dibandingkan dengan LCL yang menggunakan GRU sebagai dasar pembentukan struktur graph.