Lewati ke isi

Forecasting

Forecasting memprediksi nilai di masa depan dari data berurutan waktu, misalnya penjualan bulanan atau konsentrasi CO2. Urutan waktu adalah informasi penting, sehingga cara membagi, memvalidasi, dan mengevaluasi data berbeda dari bab lain.

Mulai dari sini: apa itu forecasting?

Forecasting adalah meramal nilai di masa depan dari data yang berurutan menurut waktu.

Analogi

Penjual es krim melihat catatan penjualan beberapa tahun: ada tren naik, ada puncak tiap musim panas. Dari pola itu ia memperkirakan stok bulan depan.

Mengapa berbeda dari bab lain? Urutan waktu adalah informasi. Data tidak boleh diacak, dan model tidak boleh "mengintip" masa depan saat belajar.

Peta belajar

  1. Apa yang membentuk deret waktu? → tren, musiman, derau
  2. Bagaimana data diperiksa? → data dan EDA
  3. Bagaimana menguji dengan benar? → validasi kronologis dan metrik
  4. Metode peramalan → baseline, ARIMA/SARIMA, regresi dengan fitur lag
  5. Seberapa pasti ramalannya? → horizon dan interval
  6. Mana yang terbaik, dan bagaimana memakainya? → perbandingan, simpan, pantau, lalu proyek

Setiap pelajaran dibuka dengan Gambaran singkat yang menjelaskan topiknya dengan bahasa sehari-hari.

Tujuan pembelajaran

  • Mengenali tren, musiman (seasonality), dan derau pada deret waktu.
  • Membuat baseline sederhana sebelum model yang kompleks.
  • Memvalidasi secara kronologis dan dengan rolling origin tanpa kebocoran dari masa depan.
  • Mengevaluasi dengan MAE, RMSE, sMAPE, dan MASE; membaca galat menurut horizon dan interval prediksi.
  • Membandingkan exponential smoothing, SARIMA, dan regresi berbasis fitur lag.

Prasyarat

Dasar-dasar (khususnya pandas, Statistik, Data Latih, Validasi, Uji) dan bab Estimasi, karena model berbasis lag adalah regresi.

Pustaka tambahan

Bab ini memakai statsmodels (dekomposisi, exponential smoothing, SARIMA) selain pustaka inti. Pasang lewat requirements-ml.txt.

Tahap alur kerja yang relevan

Tahap Status Catatan
Definisi masalah Wajib Tentukan horizon dan frekuensi
Pengumpulan data Wajib Indeks waktu teratur, periksa timestamp dan nilai hilang
EDA Berbeda Plot waktu, dekomposisi, autokorelasi
Praproses Berbeda Resampling, pengisian yang tidak memakai masa depan
Rekayasa fitur Berbeda Lag dan kalender untuk model ML; tidak perlu untuk model klasik
Pembagian data Berbeda Kronologis, rolling origin; tidak boleh diacak
Evaluasi Berbeda Bandingkan dengan baseline naive dan seasonal naive
Optimasi Wajib Validasi berurutan waktu
Penyimpanan, deployment, monitoring Wajib/Opsional Pelatihan ulang terjadwal, pemantauan galat

Pelajaran

# Pelajaran Isi utama
1 Dasar Deret Waktu Tren, musiman, derau, ACF, diferensiasi
2 Data dan EDA CO2 Mauna Loa, celah data, resample
3 Fitur Waktu dan Lag Lag, statistik bergulir, kebocoran
4 Validasi Kronologis dan Metrik Split, rolling origin, MAE/RMSE/sMAPE/MASE
5 Baseline dan Exponential Smoothing Naive, drift, SES, Holt, Holt-Winters
6 Regresi dan Fitur Lag Ridge dan Random Forest, rekursif
7 ARIMA dan SARIMA Orde, AIC, residual, interval
8 Horizon dan Interval Prediksi Galat per horizon, cakupan interval
9 Perbandingan dan Optimasi Multi-asal, pemilihan, uji akhir
10 Simpan, Deploy, Monitor Model menua, ambang peringatan
11 Proyek: Penjualan Bulanan Alur lengkap pada data sintetis

Data yang dipakai

  • CO2 Mauna Loa (data publik dibundel statsmodels, domain publik) untuk pelajaran 2–10.
  • Data sintetis untuk pengantar komponen (pelajaran 1) dan proyek; ditandai sebagai sintetis.

Contoh kode ada di examples/forecasting/; keluaran yang ditampilkan berasal dari program yang dijalankan.