Perpustakaan Digital ITB

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.