📚 Eksplorasi & Komparasi Topik Dokumen

PEMODELAN RUANG WAKTU GSTAR HIBRIDA BERBASIS PEMBELAJARAN MENDALAM

Data spasio-temporal memiliki dua bentuk ketergantungan sekaligus, yaitu ketergantungan spasial akibat kedekatan geografis antarlokasi dan ketergantungan temporal akibat pengaruh nilai pada periode sebelumnya. Keterbatasan model Generalized Space-Time Autoregressive (GSTAR) dalam menangkap pola kompleks mendorong pengembangan model hibrida dengan pendekatan pembelajaran mendalam. Penelitian ini bertujuan mengembangkan model hibrida GSTAR–ConvLSTM dan GSTAR–GCN-LSTM menggunakan pendekatan sekuensial, yaitu komponen pembelajaran mendalam berperan sebagai koreksi terhadap residual GSTAR. Implementasi dilakukan pada data kasus Demam Berdarah Dengue di Kota Semarang, data curah hujan di Kabupaten Ciamis, dan data polusi udara PM2.5 di Pulau Jawa pada data latih dan data uji. Hasil penelitian menunjukkan bahwa model GSTAR–ConvLSTM unggul pada data latih, namun kurang stabil pada data uji akibat kecenderungan penyesuaian berlebih. Sebaliknya, model GSTAR–GCN-LSTM menunjukkan kemampuan generalisasi yang lebih baik sehingga dipilih sebagai model terbaik. Secara umum, kinerja model hibrida dipengaruhi oleh keterbatasan banyak observasi dan transformasi data yang berpotensi mengurangi informasi penting bagi komponen pembelajaran mendalam. Pada kondisi data observasi yang sedikit, model konvensional GSTAR cenderung lebih optimal. Sebaliknya, semakin banyak data observasi yang tersedia, model hibrida menunjukkan kinerja yang semakin optimal.