PREDIKSI DATA TIME SERIES DENGAN MENGGUNAKAN ALGORITMA FUZZY C-MEANS CLUSTERING DAN LONG SHORT-TERM MEMORY

Abstract

Prediksi data time series merupakan salah satu bidang yang sangat penting dan telah banyak dikembangkan serta digunakan di berbagai bidang, termasuk ekonomi, kesehatan, dan cuaca, untuk memberikan informasi yang akurat dan membantu pengambilan keputusan. Namun, tantangan utama dalam prediksi data time series adalah adanya ketidakpastian, sifat non-stationer, dan kompleksitas data yang tinggi, yang membuat proses prediksi menjadi sulit dan memerlukan metode yang canggih. Dalam penelitian ini, digunakan dua dataset berbeda untuk menguji keandalan pendekatan yang menggabungkan metode clustering data time series menggunakan Fuzzy C-Means Clustering (FCM) dan memanfaatkan membership matrix yang dihasilkan sebagai fitur tambahan dalam model Long Short-Term Memory (LSTM). Hasil penelitian menunjukkan bahwa model FCM-LSTM memberikan nilai Mean Absolute Error (MAE) secara konsisten lebih rendah dibandingkan model LSTM pada data aset dan saham, dengan nilai MAE untuk model LSTM dan FCM-LSTM masing-masing sebesar 3,8826 dan 3,1378 pada dataset aset, serta 3,9817 dan 3,7044 pada dataset saham, yang membuktikan pendekatan usulan dapat meningkatkan akurasi dan keandalan model prediksi. Disarankan untuk melakukan preprocessing tambahan seperti penanganan outlier dan teknik smoothing, serta hyperparameter tuning dan metode regularisasi untuk lebih meningkatkan performa model.