Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Galih Wicaksana Putra, Achmad
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Performa Model TimeMixer terhadap Eskalasi Dimensi Data dan Studi Komparatif pada Prediksi Data Time Series Galih Wicaksana Putra, Achmad; Yudistira, Novanto; Andy Soebroto, Arief
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan dimensionalitas dalam analisis time series memicu curse of dimensionality yang mengaburkan informasi esensial akibat redundansi dan noise. Penelitian ini mengevaluasi model TimeMixer, arsitektur berbasis Multi-Layer Perceptron (MLP) dengan pendekatan multiscale-mixing, dalam menangani eskalasi dimensi data dibandingkan model state-of-the-art lainnya. Metodologi mencakup evaluasi multivariate long-term forecasting pada empat dataset benchmark utama: ETTh1, ETTh2, Weather, dan Traffic. TimeMixer memanfaatkan mekanisme Past-Decomposable-Mixing (PDM) serta Future-Multipredictor-Mixing (FMM) guna menangkap dependensi temporal secara komprehensif. Hasil eksperimen menunjukkan skalabilitas unggul; pada dataset Traffic (862 variabel), penggunaan sequence length 336 berhasil mereduksi MAE secara signifikan menjadi 0,2570. Secara komparatif, TimeMixer mengungguli model TimesNet dengan rata-rata peningkatan MSE hingga 23,71% pada dataset Traffic, serta menunjukkan selisih galat sangat kontras hingga 3,1 kali lipat dibandingkan Transformer dan LSTM. Meskipun integrasi Retrieval Augmented Forecasting (RAF) efektif pada data reguler, hasilnya marginal pada data kompleks akibat dimensionality bottleneck. Disimpulkan bahwa TimeMixer merupakan model yang tangguh, efisien secara komputasi, dan sangat adaptif terhadap berbagai skala dimensi data time series.
Co-Authors Andy Soebroto, Arief Novanto Yudistira