Klasifikasi Data Time Series Menggunakan Metode Ruang Fase Terekonstruksi

Jusuf, Muhammad (2007) Klasifikasi Data Time Series Menggunakan Metode Ruang Fase Terekonstruksi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 9104205314-Master_thesis.pdf Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Ruang Fase Terekonstruksi (RPS) merupakan matriks penyisipan waktu tunda, sehingga ruang yang dihasilkan ekuivalen secara topologi dengan sistem yang asli. RPS banyak digunakan untuk klasifikasi pola karena keampuhannya dalam menangkap informasi nonlinear. Dalam tesis ini diimplementasikan RPS pada pemodelan time series dengan memanfaatkan pembelajaran Gaussian Mixture Model (GMM) untuk menciptakan model nonlinear yang akurat. Metode ini terdiri dari tiga tahap utama, yaitu analisis data, pembelajaran GMM, dan klasifikasi. Tahap analisis data meliputi normalisasi sinyal dan perhitungan parameter RPS, yaitu waktu tunda (lag) dan dimensi. Tahap pembelajaran GMM memanfaatkan kedua parameter tersebut dan jumlah mixture untuk membangun GMM yang parameternya diestimasi menggunakan algoritma Expectation Maximization (EM). Tahap klasifikasi dilakukan untuk menentukan akurasi dari model yang telah dibangun. Berdasarkan uji coba yang dilakukan, dapat ditunjukkan bahwa metode RPS mampu mengklasifikasi data uji coba hingga mencapai tingkat akurasi di atas 80%. Klasifikasi terhadap 6 data time series, yaitu data Time Series I s.d. VI, menghasilkan rata-rata tingkat akurasi berturut-turut sebagai berikut: 73,96%, 83,3%, 87,5%, 90,3%, 93,7%, dan 97,43% untuk jumlah mixture 4 sampai dengan 32.
===================================================================================================================================
Reconstructed Phase Space (RPS) is a lag-embedded matrix that can be used to reconstruct a space topologically equivalent to the original system. RPS has been used for pattern classification because of its capability to capture nonlinear information. RPS is implemented in time series modeling using Gaussian Mixture Model (GMM) learning to create an accurate nonlinear model. This method consists of three steps. The first step, data analysis, includes normalizing the signals and estimating the time lag and dimension of the RPS. The second step is GMM learning using the time lag, dimension, and number of mixtures to build the GMM, in which the parameters are estimated using the Expectation Maximization algorithm. The final step is signal classification to determine the accuracy of the model. Based on the tests, the results show that RPS is capable of classifying the data with an accuracy level of up to 80%. Classification of 6 time series data, namely Time Series I through VI, produced average accuracy levels of 73.96%, 83.3%, 87.5%, 90.3%, 93.7%, and 97.43%, respectively, for numbers of mixtures ranging from 4 to 32.

Item Type:	Thesis (Masters)
Additional Information:	RTMT 006.312 Jus k
Uncontrolled Keywords:	Time series, Klasifikasi, Ruang fase terekonstruksi, Gaussian mixture model, Time series, Classification, Reconstructed phase spaces, Gaussian mixture model.
Subjects:	Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	61101-Magister Management Technology
Depositing User:	magang .
Date Deposited:	17 Sep 2026 03:58
Last Modified:	17 Sep 2026 03:58
URI:	http://repository.its.ac.id/id/eprint/144629

Actions (login required)

View Item