Penerapan Metode Calibrated Early Time Series Classifier (CALIMERA) Dengan Variasi Ukuran Sliding Window Untuk Klasifikasi Dini Curah Hujan Di Kota Semarang Tahun 2015–2024
Dwi Cahyawati, Dr. Adhitya Ronnie Effendie, S.Si., M.Si., M.Sc.
2026 | Skripsi | STATISTIKA
Tuntutan terhadap pengambilan
keputusan klasifikasi yang cepat tanpa meng abaikan akurasi mendorong
berkembangnya pendekatan Early Time Series Classification (ETSC).
Berbeda dengan klasifikasi deret waktu konvensional yang memerlukan seluruh
rangkaian data tersedia sebelum keputusan dapat diambil, ETSC bertujuan
menghasilkan klasifikasi sedini mungkin dengan tetap mempertahankan tingkat
akurasi yang memadai. Penelitian ini bertujuan menerapkan metode Calibrated
eArLy tIMe sERies clAssifier (CALIMERA) pada data cuaca harian Kota
Semarang periode 2015–2024 untuk melakukan klasifikasi dini kondisi curah hujan.
CALIMERA dipilih karena dirancang untuk menyeimbangkan trade-off antara
akurasi dan earliness melalui minimisasi fungsi biaya yang menggabungkan
kedua aspek tersebut. Penelitian ini menggunakan dua skenario pelabelan, yaitu
empat label (tidak hujan, hujan ringan, hujan sedang, dan hujan lebat) serta
tiga label (tidak hujan, hujan ringan, dan hujan lebat). Variasi ukuran sliding
window yang digunakan adalah 45, 60, 90, dan 120 hari, yang ditentukan
berdasarkan analisis sample entropy. Ketidakseimbangan kelas ditangani
menggunakan metode ADASYN. Sebagai pembanding, diterapkan pula metode TEASER
dengan konfigurasi yang sama. Performa model dievaluasi menggunakan akurasi, earliness,
dan harmonic mean (HM). Hasil penelitian menunjukkan bahwa CALIMERA
secara konsisten menghasilkan nilai HM yang lebih tinggi dibandingkan TEASER di
seluruh kombinasi window dan skenario. Konfigurasi terbaik diperoleh
pada CALIMERA skenario tiga label dengan window 120 hari yang
menghasilkan HM sebesar 0,6032. Penyederhanaan dari empat menjadi tiga label
secara konsisten meningkatkan macro average F1-score pada kedua metode.
Hasil tersebut menunjukkan bahwa CALIMERA mampu memberikan keseimbangan yang
lebih baik antara ketepatan klasifikasi dan kecepatan pengambilan keputusan
dibandingkan TEASER.
The demand for rapid
classification decisions without compromising accuracy has driven the
development of the Early Time Series Classification (ETSC) approach. Unlike
conventional time series classification, which requires the complete sequence
to be available before a decision can be made, ETSC aims to generate
classifications as early as possible while maintaining adequate accuracy. This
study applies the Calibrated eArLy tIMe sERies clAssifier (CALIMERA) method to
daily weather data from Semarang City during the period 2015–2024 to perform
early rainfall classification. CALIMERA was selected because it is designed to
balance the trade-off between accuracy and earliness through the minimization
of a cost function that integrates both aspects. Two labeling scenarios were
used, consisting of four classes including no rain, light rain, moderate rain,
and heavy rain, and three classes including no rain, light rain, and heavy
rain. Sliding window sizes of 45, 60, 90, and 120 days were employed and
determined based on sample entropy analysis. Class imbalance was handled using
the ADASYN method. The TEASER method was also implemented under the same
configuration for comparison. Model performance was evaluated using accuracy,
earliness, and harmonic mean (HM). The results show that CALIMERA consistently
achieved higher HM values than TEASER across all combinations of window sizes
and labeling scenarios. The best performance was obtained by CALIMERA under the
three-class scenario with a 120-day window, yielding an HM value of 0.6032.
Reducing the number of classes from four to three consistently improved the
macro-average F1-score for both methods. These findings indicate that CALIMERA
provides a better balance between classification accuracy and decision
timeliness than TEASER.
Kata Kunci : ADASYN, CALIMERA, curah hujan, early time series classification, klasifikasi dini, harmonic mean, sliding window, TEASER