<![CDATA[Peramalan deret waktu merupakan aspek penting dalam berbagai bidang seperti energi, keuangan, kesehatan, dan cuaca, di mana akurasi prediksi sangat menentukan kualitas pengambilan keputusan. Model tradisional seperti ARIMA bekerja baik pada data yang stasioner, namun cenderung mengalami penurunan performa ketika diterapkan pada pola non-linear ataupun data lintas domain. Perkembangan foundation models pada time series, seperti Moirai dan variannya Moirai-MoE, memungkinkan peramalan lintas domain tanpa proses pelatihan ulang yang berat. Pada penelitian ini, Moirai digunakan dalam skenario zero-shot forecasting, sedangkan Moirai-MoE diterapkan dalam skenario few-shot test-time adaptation (TTA) untuk meningkatkan kemampuan adaptasi model menggunakan sejumlah kecil sampel target. Eksperimen dilakukan pada tiga dataset publik multi-domain, yaitu Weather Melbourne, Finance AAPL, dan CO₂ Mauna Loa, dengan membandingkan performa Moirai, Moirai-MoE TTA, ARIMA, dan LSTM berdasarkan metrik MAE dan sMAPE. Hasil penelitian menunjukkan bahwa Moirai memiliki kemampuan generalisasi yang kompetitif pada zero-shot, sedangkan Moirai-MoE dengan few-shot TTA mampu meningkatkan akurasi secara signifikan terutama pada domain yang mengalami pergeseran distribusi dari LOTSA. Pendekatan ini membuktikan efektivitas adaptasi ringan yang tidak memerlukan fine-tuning penuh.]]>
Copyrights © 2025
