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¶
- Apa yang membentuk deret waktu? → tren, musiman, derau
- Bagaimana data diperiksa? → data dan EDA
- Bagaimana menguji dengan benar? → validasi kronologis dan metrik
- Metode peramalan → baseline, ARIMA/SARIMA, regresi dengan fitur lag
- Seberapa pasti ramalannya? → horizon dan interval
- 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.