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.