PENINGKATAN REPRESENTASI TEMPORAL MODEL STID MENGGUNAKAN TIME-OF-WEEK EMBEDDING UNTUK PERAMALAN LALU LINTAS

Yazid Rizki Kurniawan, Dr. Agus Sihabuddin, S.Si., M.Kom.

2026 | Skripsi | ILMU KOMPUTER

Peramalan lalu lintas jangka pendek merupakan komponen penting dalam Sistem Transportasi Cerdas (Intelligent Transportation Systems/ITS). Model berbasis Spatial-Temporal Graph Neural Networks (STGNN) mencapai akurasi tinggi namun membutuhkan 3 hingga 11 juta parameter, sedangkan model STID (Spatial-Temporal Identity) membuktikan bahwa arsitektur MLP sederhana dengan spatial-temporal embedding dapat mencapai performa kompetitif dengan hanya sekitar 2 juta parameter. Akan tetapi, STID mempelajari pola hari dan pola jam secara terpisah lalu menggabungkannya, sehingga “Senin pukul 08:00” dan “Minggu pukul 08:00” terpaksa berbagi vektor jam yang sama meskipun kondisi lalu lintasnya jauh berbeda.

Penelitian ini menggantikan kedua tabel embedding terpisah tersebut dengan satu tabel time-of-week tunggal berisi 2.016 entri (7 hari × 288 interval 5 menit), yang masing-masing merupakan vektor terlatih untuk satu kombinasi hari–jam tertentu. Metode dievaluasi melalui studi ablasi delapan konfigurasi pada empat dataset PEMS menggunakan MAE, RMSE, dan MAPE, lalu varian terbaik dibandingkan dengan model state-of-the-art.

Hasil eksperimen menunjukkan bahwa varian berbasis time-of-week secara konsisten mengungguli baseline STID, dengan perbaikan MAE hingga 5,15?n terkonfirmasi signifikan secara statistik. Modifikasi yang diusulkan menambahkan sekitar 245 ribu parameter di atas baseline STID (sekitar 2 juta), sehingga total sekitar 2,24 juta parameter — setara dengan STAEformer (sekitar 5 juta) dari sisi akurasi namun sekitar 2× lebih ringkas, dan 1,5–5× lebih ringkas dari STGNN klasik seperti Graph WaveNet (3,2 juta) hingga DCRNN (10,5 juta). Dengan demikian, time-of-week embedding mampu meningkatkan akurasi sekaligus mempertahankan efisiensi parameter STID.

Short-term traffic forecasting is a crucial component in Intelligent Transportation Systems (ITS). Models based on Spatial-Temporal Graph Neural Networks (STGNN) achieve high accuracy but require 3 to 11 million parameters, whereas the STID (Spatial-Temporal Identity) model proves that a simple MLP architecture with spatial-temporal embeddings can achieve competitive performance with only around 2 million parameters. However, STID learns day patterns and hour patterns separately and then combines them, forcing “Monday at 08:00” and “Sunday at 08:00” to share the same hour vector even though their traffic conditions are vastly different.

This research replaces those two separate embedding tables with a single time-of-week table containing 2,016 entries (7 days × 288 5-minute intervals), each of which is a trained vector for one specific day–hour combination. The method is evaluated through an ablation study of eight configurations on four PEMS datasets using MAE, RMSE, and MAPE, and then the best variant is compared against state-of-the-art models.

Experimental results show that the time-of-week variants consistently outperform the STID baseline, with MAE improvements of up to 5.15% that are statistically significant. The proposed modification adds about 245K parameters on top of the STID baseline (around 2M), bringing the total to about 2.24M parameters — matching the accuracy of STAEformer (around 5M) while being roughly 2× more compact, and 1.5–5× more compact than classical STGNN models such as Graph WaveNet (3.2M) up to DCRNN (10.5M). Thus, the time-of-week embedding improves accuracy while preserving STID’s parameter efficiency.

Kata Kunci : Peramalan lalu lintas, Time-of-week embedding, STID, Representasi temporal