Melola Discovery

← Melola Discovery

Jurnal SINTA 2

MODEL SELECTION OF ENSEMBLE FORECASTING USING WEIGHTED SIMILARITY OF TIME SERIES

Jurnal Ilmu Komputer dan Informasi (JIKI) · Vol. 5 No. 1 (2012) · hlm. 40–49

DOI
10.21609/jiki.v5i1.185
ISSN
2502-9274, 2088-7051
Terbit
2012-07-28
Penerbit
Faculty of Computer Science - Universitas Indonesia
Bahasa
eng

Abstrak

Several methods have been proposed to combine the forecasting results into single forecast namely the simple averaging, weighted average on validation performance, or non-parametric combination schemas. These methods use fixed combination of individual forecast to get the final forecast result. In this paper, quite different approach is employed to select the forecasting methods, in which every point to forecast is calculated by using the best methods used by similar training dataset. Thus, the selected methods may differ at each point to forecast. The similarity measures used to compare the time series for testing and validation are Euclidean and Dynamic Time Warping (DTW), where each point to compare is weighted according to its recentness. The dataset used in the experiment is the time series data designated for NN3 Competition and time series generated from the frequency of USPTO’s patents and PubMed’s scientific publications on the field of health, namely on Apnea, Arrhythmia, and Sleep Stages. The experimental result shows that the weighted combination of methods selected based on the similarity between training and testing data may perform better compared to either the unweighted combination of methods selected based on the similarity measure or the fixed combination of best individual forecast. Beberapa metode telah diajukan untuk menggabungkan beberapa hasil forecasting dalam single forecast yang diberi nama simple averaging, pemberian rata-rata dengan bobot pada tahap validasi kinerja, atau skema kombinasi non-parametrik. Metode ini menggunakan kombinasi tetap pada individual forecast untuk mendapatkan hasil final dari forecast. Dalam paper ini, pendekatan berbeda digunakan untuk memilih metode forecasting, di mana setiap titik dihitung dengan menggunakan metode terbaik yang digunakan oleh dataset pelatihan sejenis. Dengan demikian, metode yang dipilih dapat berbeda di setiap titik perkiraan. Similarity measure yang digunakan untuk membandingkan deret waktu untuk pengujian dan validasi adalah Euclidean dan Dynamic Time Warping (DTW), di mana setiap titik yang dibandingkan diberi bobot sesuai dengan keterbaruannya. Dataset yang digunakan dalam percobaan ini adalah data time series yang didesain untuk NN3 Competition dan data time series yang di-generate dari paten-paten USPTO dan publikasi ilmiah PubMed di bidang kesehatan, yaitu pada Apnea, Aritmia, dan Sleep Stages. Hasil percobaan menunjukkan bahwa pemberian kombinasi bobot dari metode yang dipilih berdasarkan kesamaan antara data pelatihan dan data pengujian, dapat menyajikan hasil yang lebih baik dibanding salah satu kombinasi metode unweighted yang dipilih berdasarkan similarity measure atau kombinasi tetap dari individual forecast terbaik.

Kata kunci

Jaringan kolaborasi para penulis

28 penulis · 91 tautan kepenulisan bersama · 39 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • University of Indonesia
  • Universitas Airlangga
  • Binus University
  • State University of Semarang
  • Universitas Nusantara PGRI Kediri
  • Universitas Halu Oleo
  • National Research and Innovation Agency
  • Organisasi lain
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Amanah RamadiahUniversity of Indonesia3
Aris Budi SantosoUniversity of Indonesia3
Prabu Kresna PutraUniversity of Indonesia3
F. X. ArunantoAfiliasi tidak diketahui1
Chandra Juniar Aji SaputraAfiliasi tidak diketahui1
Puji AstutiState University of Semarang1
Cahyo YuwonoState University of Semarang1
Karisma Vinda Nissa KusumawatiUniversity of Indonesia1
Murti Puspita RukmiAfiliasi tidak diketahui1
Alexander Virgiawan Liany OleonaAfiliasi tidak diketahui1
Nursalim NursalimUniversitas Halu Oleo1
Suryanto - SuryantoUniversitas Nusantara PGRI Kediri1
Khairur RazikinBinus University1
Rahardito Dio PrastowoUniversity of Indonesia1
Adi Hanif SedarUniversity of Indonesia1
Lukman YudokusumoUniversity of Indonesia1
M. A. GololodoAfiliasi tidak diketahui1
Sri Agus SudjarwoUniversitas Airlangga1
Dyah Ayu KurniawatiIndonesian Agency for Agricultural Research and Development1
Mustofa Helmi EffendiUniversitas Airlangga1
Sancaka Chasyer RamandiniantoUniversitas Airlangga1
Aswin Rafif KhairullahNational Research and Innovation Agency1
Katty Hendriana Priscilia RiwuAfiliasi tidak diketahui1
Saifur RehmanGomal University1
Otto Sahat Martua SilaenUniversity of Indonesia1
S. C. KurniawanWageningen University & Research1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jiki.cs.ui.ac.id/index.php/jiki/oai, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">MODEL SELECTION OF ENSEMBLE FORECASTING USING WEIGHTED SIMILARITY OF TIME SERIES</dc:title>
	<dc:creator>Widodo, Agus</dc:creator>
	<dc:creator>Budi, Indra</dc:creator>
	<dc:subject xml:lang="en-US">ensemble forecasting</dc:subject>
	<dc:subject xml:lang="en-US">kesamaan tertimbang</dc:subject>
	<dc:subject xml:lang="en-US">model selection</dc:subject>
	<dc:subject xml:lang="en-US">perkiraan ansambel</dc:subject>
	<dc:subject xml:lang="en-US">seleksi model</dc:subject>
	<dc:subject xml:lang="en-US">time series</dc:subject>
	<dc:subject xml:lang="en-US">weighted similarity</dc:subject>
	<dc:description xml:lang="en-US">Several methods have been proposed to combine the forecasting results into single forecast namely the simple averaging, weighted average on validation performance, or non-parametric combination schemas. These methods use fixed combination of individual forecast to get the final forecast result. In this paper, quite different approach is employed to select the forecasting methods, in which every point to forecast is calculated by using the best methods used by similar training dataset. Thus, the selected methods may differ at each point to forecast. The similarity measures used to compare the time series for testing and validation are Euclidean and Dynamic Time Warping (DTW), where each point to compare is weighted according to its recentness. The dataset used in the experiment is the time series data designated for NN3 Competition and time series generated from the frequency of USPTO’s patents and PubMed’s scientific publications on the field of health, namely on Apnea, Arrhythmia, and Sleep Stages. The experimental result shows that the weighted combination of methods selected based on the similarity between training and testing data may perform better compared to either the unweighted combination of methods selected based on the similarity measure or the fixed combination of best  individual forecast.

Beberapa metode telah diajukan untuk menggabungkan beberapa hasil forecasting dalam single forecast yang diberi nama simple averaging, pemberian rata-rata dengan bobot pada tahap validasi kinerja, atau skema kombinasi non-parametrik. Metode ini menggunakan kombinasi tetap pada individual forecast untuk mendapatkan hasil final dari forecast. Dalam paper ini, pendekatan berbeda digunakan untuk memilih metode forecasting, di mana setiap titik dihitung dengan menggunakan metode terbaik yang digunakan oleh dataset pelatihan sejenis. Dengan demikian, metode yang dipilih dapat berbeda di setiap titik perkiraan. Similarity measure yang digunakan untuk membandingkan deret waktu untuk pengujian dan validasi adalah Euclidean dan Dynamic Time Warping (DTW), di mana setiap titik yang dibandingkan diberi bobot sesuai dengan keterbaruannya. Dataset yang digunakan dalam percobaan ini adalah data time series yang didesain untuk NN3 Competition dan data time series yang di-generate dari paten-paten USPTO dan publikasi ilmiah PubMed di bidang kesehatan, yaitu pada Apnea, Aritmia, dan Sleep Stages. Hasil percobaan menunjukkan bahwa pemberian kombinasi bobot dari metode yang dipilih berdasarkan kesamaan antara data pelatihan dan data pengujian, dapat menyajikan hasil yang lebih baik dibanding salah satu kombinasi metode unweighted yang dipilih berdasarkan similarity measure atau kombinasi tetap dari individual forecast terbaik.</dc:description>
	<dc:publisher xml:lang="en-US">Faculty of Computer Science  - Universitas Indonesia</dc:publisher>
	<dc:date>2012-07-28</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jiki.cs.ui.ac.id/index.php/jiki/article/view/185</dc:identifier>
	<dc:identifier>10.21609/jiki.v5i1.185</dc:identifier>
	<dc:source xml:lang="en-US">Jurnal Ilmu Komputer dan Informasi; Vol. 5 No. 1 (2012): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information); 40-49</dc:source>
	<dc:source>2502-9274</dc:source>
	<dc:source>2088-7051</dc:source>
	<dc:source>10.21609/jiki.v5i1</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://jiki.cs.ui.ac.id/index.php/jiki/article/view/185/286</dc:relation>
</oai_dc:dc>