| dc.description.abstract | Penggerombolan deret waktu peubah ganda berbasis model, berarti menggerombolkan individu berdasarkan kemiripan pola suatu model antar individu tersebut. Struktur data yang digunakan dalam penggerombolan individu tersebut, berdasarkan pada koefisien model yang terbentuk. Beberapa model deret waktu peubah ganda yaitu model vector autoregressive (VAR), model VAR in differences (VARD), dan vector error correction model (VECM). Dalam pemodelan data deret waktu peubah ganda sering ditemukan beberapa masalah di antaranya masalah kestasioneran dan kelengkapan data (data hilang). Selain itu, masalah data hilang juga diduga dapat menurunkan akurasi dalam penggerombolan. Oleh karena itu, permasalahan tersebut perlu ditangani sehingga penggerombolan menghasilkan gerombol dengan akurasi yang baik. Berdasarkan hal-hal tersebut maka tujuan yang ingin dicapai dalam penelitian ini yaitu pertama, diperoleh model peramalan deret waktu peubah ganda dengan kemampuan daya forecasting yang baik pada berbagai kondisi kestasioneran. Kedua, menangani data hilang pada data deret waktu peubah ganda, dan mengembangkan metode penanganan data hilang pada data deret waktu peubah ganda. Ketiga, mengembangkan penggerombolan berbasis model VAR pada data deret waktu peubah ganda dengan data hilang. Keempat, mengevaluasi kinerja cluster ensemble dalam pengembangan penggerombolan berbasis model VAR pada data deret waktu peubah ganda dengan data hilang.
Pada kajian kesatu (Bab III) dilakukan simulasi untuk membandingkan kinerja dari model VAR, VARD, dan VECM dalam hal kemampuan daya forecasting pada berbagai kondisi kestasioneran. Selain itu, juga dilakukan pemodelan pada data aktual. Secara keseluruhan, hasil evaluasi menunjukkan bahwa model peramalan deret waktu peubah ganda yang masih cukup baik digunakan dalam forecasting pada berbagai kondisi kestasioneran yaitu model vector autoregressive (model VAR).
Model VAR (model peramalan deret waktu peubah ganda yang berkinerja masih cukup baik dalam hal forecasting di berbagai kondisi pada kajian kesatu) digunakan dalam pengembangan pada kajian kedua. Pengembangan yang dilakukan yaitu pengembangan metode penanganan data hilang berbasis model VAR pada data deret waktu peubah ganda. Pengembangan metode penanganan data hilang pada kajian kedua (Bab IV) merupakan pengembangan dari metode VAR-IM. Metode VAR-IM merupakan suatu metode penanganan data hilang yang berbasis model VAR dan menggunakan pendekatan interpolasi linear dalam imputasi awalnya. Pendekatan tersebut dapat bekerja dengan baik ketika data bersifat linear. Hal ini menjadi keterbatasan ketika dalam data terdapat volatilitas. Berdasarkan hal tersebut dilakukan pengembangan dengan imputasi awal menggunakan moving average (MA). Selanjutnya, pengembangan metode penanganan data hilang tersebut dinamakan VAR-IMMA. Metode VAR-IMMA yaitu suatu pendekatan dalam penanganan data hilang berbasis model VAR pada data deret waktu peubah ganda dan imputasi awal menggunakan moving average. Secara keseluruhan, hasil evaluasi perbandingan kinerja antara metode VAR-IM dan VAR-IMMA menunjukkan bahwa kinerja metode VAR-IMMA lebih baik dari kinerja VAR-IM. Hasil tersebut ditunjukkan dengan akurasi imputasi dari metode VAR-IMMA lebih baik dari akurasi metode VAR-IM.
Metode VAR-IMMA (metode penanganan data hilang yang berkinerja paling baik pada kajian kedua) digunakan dalam pengembangan penggerombolan pada kajian ketiga (Bab V). Pada pengembangan ini dilakukan penggerombolan dengan penambahan imputasi data hilang menggunakan metode VAR-IMMA. Skenario data hilang yang digunakan yaitu data hilang sebesar 10% pada n kota yang terpilih secara acak (5, 10, 15, 20, dan 25 kota), dan data hilang sebesar 10% secara acak dari keseluruhan data (82 kota). Skenario penggerombolan pada kajian ini yaitu penggerombolan non ensemble dan cluster ensemble. Pada penggerombolan non ensemble digunakan enam metode penggerombolan. Pada penggerombolan dengan cluster ensemble digunakan enam metode penggerombolan non ensemble (S6) dan tiga metode yang berkinerja paling baik dalam penggerombolan non ensemble (S3). Secara keseluruhan, metode penggerombolan yang berkinerja paling baik diperoleh melalui perbandingan hasil evaluasi kinerja pada semua skenario penggerombolan (penggerombolan non ensemble dan cluster ensemble) dalam simulasi dengan 1000 ulangan. Adapun hasil perbandingan evaluasi secara keseluruhan menunjukkan bahwa kinerja metode K-means dengan jarak Euclidean pada penggerombolan non ensemble lebih baik dari kinerja metode lainnya. Selain itu, metode partitioning around medoids (PAM) dengan jarak Euclidean dan cluster ensemble (S3) dapat dipertimbangkan dalam penggerombolan berbasis model VAR pada data deret waktu peubah ganda dengan data hilang | id |
