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

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.