Model Prediksi Deret Waktu Menggunakan Deep Convolutional LSTM

Abstract

Prediksi deret waktu adalah tantangan penting dalam analisis data, dengan aplikasi luas di berbagai domain seperti keuangan, energi, dan ekonomi. Metode prediksi tradisional, seperti ARIMA dan SARIMA, sering kali kurang mampu menangkap kompleksitas data deret waktu yang bersifat nonlinier dan dinamis. Sebagai alternatif, metode deep learning seperti Long Short-Term Memory (LSTM) telah digunakan secara luas karena kemampuannya dalam menangani dependensi temporal jangka panjang. Namun, LSTM konvensional masih memiliki keterbatasan dalam menangkap fitur spasial dari data. Dalam penelitian ini, kami mengusulkan model Deep Convolutional LSTM yang mengintegrasikan kemampuan Convolutional Neural Networks (CNN) dalam menangkap fitur spasial dengan kekuatan LSTM dalam memahami pola temporal yang kompleks. Model ini dievaluasi menggunakan empat dataset populer yang mencakup berbagai domain, yaitu ETTh (Electricity Transformer Temperature, hourly), ETTm (Electricity Transformer Temperature, minute), Energy, dan Exchange Rate. Hasil eksperimen menunjukkan bahwa model Deep Convolutional LSTM mampu memberikan prediksi yang lebih akurat dibandingkan dengan model LSTM murni dan CNN konvensional. Secara keseluruhan, model ini mencapai nilai rata-rata Mean Squared Error (MSE) sebesar 0.0036 dan Mean Absolute Error (MAE) sebesar 0.0488 di seluruh dataset. Kinerja ini menunjukkan bahwa model yang diusulkan tidak hanya efektif dalam menangkap pola temporal dan spasial secara simultan, tetapi juga lebih stabil dalam berbagai kondisi dataset yang berbeda. Penelitian ini memberikan kontribusi signifikan dalam pengembangan metode prediksi deret waktu yang lebih canggih dan akurat. Kami juga membahas keterbatasan dari pendekatan ini serta saran untuk penelitian lebih lanjut, termasuk pengujian pada berbagai jenis dataset tambahan dan penyempurnaan parameter model.