<![CDATA[Time series forecasting memiliki aplikasi yang luas dalam berbagai bidang seperti keuangan, ekonomi, meteorologi, dan pengelolaan rantai pasokan. Penelitian ini bertujuan untuk mengevaluasi kinerja model Gated Recurrent Unit (GRU) yang mendalam dalam konteks prediksi data time series. Akurasi prediksi time series sangat penting untuk pengambilan keputusan yang lebih baik dan efisien. GRU diperkenalkan sebagai varian Recurrent Neural Networks (RNN) yang lebih efisien dan efektif dalam menangani data time series. RNN sering digunakan untuk tugas ini, namun memiliki kelemahan dalam mempelajari ketergantungan jangka panjang akibat masalah vanishing gradient. Penelitian ini mengusulkan penggunaan model GRU mendalam untuk meningkatkan akurasi prediksi data time series. Arsitektur model yang diusulkan terdiri dari tiga lapisan GRU dengan 64 unit masing-masing, diikuti oleh satu lapisan output dense. Dataset yang digunakan dalam penelitian ini adalah dataset time series yang terdiri dari AQI, Weather, Exchange Rate, dan ETT. Model dilatih menggunakan optimizer Adam dan loss function mean squared error, dengan jumlah epoch sebanyak 100 dan batch size 32. Data dibagi menjadi set training dan testing dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa model GRU mendalam menghasilkan prediksi yang lebih akurat dibandingkan dengan model ARIMA, RNN, dan LSTM. Model GRU mendalam menunjukkan kemampuan yang lebih baik dalam mempelajari ketergantungan jangka panjang dalam data time series, sehingga meningkatkan akurasi prediksi. Hasil penelitian ini memberikan kontribusi signifikan dalam bidang time series forecasting dan dapat menjadi alternatif yang lebih efektif dibandingkan model tradisional dan model machine learning lainnya.]]>
Copyrights © 2024
