Explainable Artificial Intelligence (XAI) Pada Time Series Forecasting Menggunakan Gated Recurrent Unit (GRU)

Abstract

Penelitian ini bertujuan untuk mengatasi tantangan black box yang melekat pada model deep learning dalam tugas prediksi deret waktu dengan mengimplementasikan Explainable Artificial Intelligence (XAI). Kami menggunakan Gated Recurrent Unit (GRU), sebuah arsitektur jaringan berulang yang efisien, sebagai model prediktif utama karena kemampuannya dalam menangkap dependensi temporal yang kompleks. Model ini diuji pada empat domain data yang berbeda yakni ETTh1 (Energi Jam), ETTm1 (Energi Menit), data Weather (Cuaca), dan ExchangeRate (Keuangan), untuk memastikan validitas dan generalisasi. Metode kunci yang digunakan adalah GRU untuk prediksi dan SHapley Additive exPlanations (SHAP) untuk interpretasi. SHAP melalui KernelExplainer secara kuantitatif memberikan atribusi kontribusi setiap lagged feature terhadap prediksi model. Hasil eksperimen secara konsisten menunjukkan bahwa penerapan XAI pada GRU tidak hanya memvalidasi akurasi model tetapi juga memberikan informasi yang transparan dan rinci mengenai hasil prediksi deret waktu. Informasi ini mencakup identifikasi lagged feature mana yang memiliki pengaruh terbesar (secara global) dan bagaimana setiap nilai masa lalu (secara lokal) mendorong prediksi menuju nilai tertentu. Studi ini menegaskan pentingnya implementasi XAI untuk mencapai akuntabilitas yang lebih tinggi dalam sistem prakiraan deret waktu berbasis GRU.