| dc.description.abstract | Metode penggerombolan data deret waktu banyak dikembangkan dengan memodifikasi algoritma penggerombolan konvensional yang ada sebelumnya. Sebagian besar algoritma penggerombolan konvensional tidak bekerja dengan baik pada data deret waktu. Para peneliti mengembangkan algoritma penggerombolan deret waktu fokus pada cara menemukan ukuran kemiripan dan ketakmiripan yang baru. Salah satu pendekatan ukuran kemiripan pada data deret waktu yaitu berbasis model. Metode Piccolo adalah salah satu metode populer yang digunakan untuk penggerombolan data deret waktu berdasarkan model Autoregressive Integrated Moving Average (ARIMA). Dari sebuah series data deret waktu dapat diperoleh beberapa model ARIMA, tetapi hanya satu model dipilih berdasarkan kriteria tertentu. Namun perbedaan dalam pemilihan kriteria model dapat menghasilkan model yang terpilih menjadi berbeda, sehingga menghasilkan gerombol yang berbeda. Ini menimbulkan masalah ketidakpastian model mana yang akan dipilih. Ada banyak perdebatan kriteria terbaik untuk pemilihan model. Beberapa peneliti tidak setuju hanya memilih model terbaik berdasarkan kriteria informasi tertentu tanpa mempertimbangkan model lain. Penelitian ini bertujuan mengembangkan metode Piccolo untuk penggerombolan data deret waktu menggunakan penggabungan beberapa model. Pemilihan model berdasarkan kriteria Akaike’s Information Criterion (AIC), Bayesian Information Criterion (BIC), Akaike’s Information Criterion Bias Corrected (AICc), Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Simulasi penggerombolan data deret waktu dilakukan untuk mengukur ketepatan penggerombolan. Pada bagian aplikasi dilakukan penggerombolan dan pemodelan data curah hujan di Jawa Barat. Kajian pertama (Bab III) membahas penggerombolan data deret waktu dengan metode Piccolo menggunakan kriteria pemilihan model yang berbeda. Kriteria seleksi model yang digunakan yaitu AIC, BIC, AICc, RMSE, dan MAPE. Evaluasi kinerja penggerombolan dengan kriteria pemilihan model yang berbeda dilakukan dengan simulasi menggunakan data bangkitan. Persentase ketepatan penggerombolan dengan kriteria BIC atau AICc menunjukkan hasil yang lebih baik dibandingkan dengan AIC, RMSE, dan MAPE. Penggerombolan dengan kriteria MAPE menunjukkan hasil ketepatan yang paling rendah. Semakin panjang periode pengamatan (t), kriteria AIC, BIC, AICc, dan RMSE menunjukkan hasil ketepatan penggerombolan yang mirip, hanya MAPE yang menunjukkan hasil berbeda dari yang lain. Ketepatan penggerombolan dengan metode Piccolo dipengaruhi oleh pemilihan kriteria seleksi model dan panjang periode pengamatan (t), sehingga perlu kehati-hatian dalam pemilihan kriteria seleksi model. Kajian kedua (Bab IV) membahas pengembangan metode Piccolo untuk penggerombolan data deret waktu menggunakan rata-rata penduga parameter (ensemble parameter). Metode Piccolo hanya menggunakan sebuah model untuk mewakili data deret waktu, sedangkan metode ensemble parameter menggunakan lima buah model berdasarkan kriteria AIC, BIC, AICc, RMSE, dan MAPE. Metode ensemble parameter menggunakan rata-rata penduga parameter-parameter dari lima buah model untuk menghitung jarak. Berdasarkan simulasi diperoleh hasil metode ensemble parameter lebih baik dari pada metode Piccolo standar. Metode ensemble parameter berhasil meningkatkan persentase ketepatan penggerombolan lebih dari 10% dibandingkan dengan metode Piccolo standar. ... dst | id |
