Model Prediksi Data Time Series Menggunakan KAN (Kolmogorov Arnold Network)

Authors

  • Arwansyah Arwansyah Universitas Dipa Makassar
  • Ahyuna Ahyuna Universitas Dipa Makassar
  • Hasryif SY Universitas Dipa Makassar
  • Suryani Suryani Universitas Dipa Makassar
  • Nurdiansah Nurdiansah Universitas Dipa Makassar
  • Samsu Alam Universitas Dipa Makassar

DOI:

https://doi.org/10.36774/sisiti.v14i2.1715

Abstract

Studi ini memperkenalkan dan mengevaluasi Kolmogorov-Arnold Network (KAN) sebagai solusi yang efisien dan dapat diinterpretasikan untuk peramalan deret waktu, yang bertujuan untuk mengatasi kompleksitas dan ketidakjelasan model seperti LSTM dan Transformer. Metodologi penelitian melibatkan pengujian model KAN pada tugas prediksi jangka panjang menggunakan dataset ETTh1, ETTm1, dan Nilai Tukar, dengan panjang prediksi yang mencakup interval 3, 6, 9, 12, dan 24. Dataset, yang mencakup frekuensi per jam, menit, dan harian, diproses terlebih dahulu secara univariat melalui normalisasi MinMaxScaler dan format jendela geser. Sebagai pendekatan baru yang dibangun di atas representasi fungsi universal, arsitektur KAN menggunakan aktivasi non-linier seperti fungsi sinus untuk menangkap dinamika temporal yang kompleks. Dengan menggunakan Mean Squared Error (MSE) dan Mean Absolute Error (MAE) sebagai metrik evaluasi, eksperimen kami menghasilkan hasil yang tepat secara konsisten di semua skenario. Skor metrik rata-rata adalah 2,129 untuk ETTh1, 0,670 untuk ETTm1, dan 0,025 untuk dataset nilai tukar. Kemampuan arsitektur KAN yang telah terbukti untuk memodelkan dependensi berbasis waktu menegaskan potensinya sebagai alternatif yang kompetitif dalam bidang analisis deret waktu.

Downloads

Download data is not yet available.

Downloads

Published

2025-07-30

How to Cite

Arwansyah, A., Ahyuna, A., Hasryif SY, Suryani, S., Nurdiansah, N., & Samsu Alam. (2025). Model Prediksi Data Time Series Menggunakan KAN (Kolmogorov Arnold Network). SISITI : Seminar Ilmiah Sistem Informasi Dan Teknologi Informasi, 14(2), 59–69. https://doi.org/10.36774/sisiti.v14i2.1715

Issue

Section

Articles