Perpustakaan Digital ITB

Klasifikasi deret waktu pada data operasional berskala besar menghadapi tantangan berupa pola temporal yang tidak konsisten antar instance, distribusi kelas yang sangat timpang, dominasi nilai nol (sparsity tinggi) yang dapat mendistorsi sinyal pembelajaran, serta adanya noise pada data. Pendekatan berbasis representasi selfsupervised seperti Series2Vec telah menunjukkan performa unggul pada dataset benchmark, namun penerapannya pada data operasional dengan karakteristik tersebut belum banyak dilakukan. Penelitian ini bertujuan menghasilkan model klasifikasi data deret waktu berbasis representasi Series2Vec dengan modifikasi fungsi kemiripan dan arsitektur. Evaluasi sistematis dilakukan dalam ruang desain 6×4 yang mencakup enam fungsi kemiripan temporal (SoftDTW, WDTW, ADTW, EDR, MSM, TWED) dan empat fungsi kemiripan frekuensi (Euclidean, Manhattan, Cosine, FC_H), pada dua konfigurasi window historis yaitu 12 bulan dan 24 bulan. Selain itu, dilakukan tiga eksperimen modifikasi arsitektur, yaitu penghapusan spatial encoder, penggantian DisjointCNN dengan encoder 4 block, dan frozen fine-tuning. Dataset terdiri dari 22.676 pelanggan PLN pascabayar dengan rasio ketidakseimbangan kelas 86,7%:13,3% dan tingkat sparsity sekitar 86,5%. Setiap konfigurasi dievaluasi melalui dua protokol yang saling melengkapi, yaitu linear probing untuk mengukur kualitas intrinsik representasi dan fine-tuning untuk mengukur potensi adaptasi supervised, dengan metrik utama Macro F1-score. Hasil eksperimen menunjukkan bahwa pemilihan fungsi kemiripan berpengaruh terhadap kualitas representasi yang dihasilkan Series2Vec. Pada protokol linear probing, konfigurasi terbaik adalah MSM+Cosine dengan Val Macro F1 sebesar 0,8947 pada window 12 bulan dan EDR+FC_H sebesar 0,8921 pada window 24 bulan, melampaui konfigurasi default SoftDTW+Euclidean masing-masing sebesar 0,0106 dan 0,0043. Setelah fine-tuning, WDTW+Cosine mencapai Val Macro F1 tertinggi sebesar 0,9084 pada window 12 bulan dan ADTW+FC_H sebesar 0,9084 pada window 24 bulan, melampaui seluruh baseline termasuk LSTM (0,9017 dan 0,9002) dan TS2Vec (0,9021 dan 0,8937). Pada eksperimen modifikasi arsitektur, penggantian DisjointCNN dengan encoder 4 block menghasilkan performa yang sebanding dengan selisih kurang dari 0,004 pada kedua window, sementara frozen fine-tuning menunjukkan penurunan performa yang konsisten. Kontribusi keilmuan penelitian ini adalah evaluasi sistematis ruang desain 6×4 fungsi kemiripan serta eksperimen modifikasi arsitektur encoder Series2Vec pada data operasional dengan karakteristik sparsity tinggi, noise, ketidaksejajaran temporal, dan ketidakseimbangan kelas yang ekstrem. Penelitian ini menunjukkan bahwa pemilihan fungsi kemiripan alternatif dapat meningkatkan performa klasifikasi pada data deret waktu operasional. Pada eksperimen modifikasi arsitektur, penggantian DisjointCNN dengan arsitektur encoder 4 block menghasilkan performa yang sebanding, sementara frozen fine-tuning yang membekukan bobot DisjointCNN dan hanya melatih classification head menunjukkan penurunan performa yang konsisten pada kedua window, mengindikasikan bahwa pelatihan ulang DisjointCNN secara end-to-end selama fase fine-tuning berperan penting dalam meningkatkan performa klasifikasi.