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
???????????????? dan ???????????????????? 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.