Lewati ke isi

Baseline, Moving Average, dan Exponential Smoothing

Gambaran singkat

Apa ini? Metode peramalan sederhana (naive, seasonal naive, drift, rata-rata bergerak) dan exponential smoothing sebagai pembanding.

Analogi

Menebak cuaca besok dengan "sama seperti hari ini" (naive) atau "sama seperti hari ini tahun lalu" (seasonal naive). Sederhana, tetapi sering sulit dikalahkan.

Mengapa penting? Model rumit hanya berguna jika mengalahkan metode sederhana ini. Mulai dari sini mencegah kita memakai model canggih tanpa alasan.

Yang akan dipelajari, berurutan:

  1. Baseline: naive, seasonal naive, drift, rata-rata bergerak.
  2. Exponential smoothing (SES, Holt, Holt-Winters).
  3. Memilih metode pada data validasi lalu menguji sekali.
  4. Menafsirkan hasil dari satu titik asal dengan hati-hati.

Istilah awal:

Istilah Arti sederhana
Seasonal naive Menyalin nilai dari musim yang sama sebelumnya
Exponential smoothing Rata-rata berbobot yang menekankan data terbaru
Horizon Berapa langkah ke depan yang diramal

Tujuan pembelajaran

  • Membuat baseline forecasting: naive, seasonal naive, drift, dan rata-rata bergerak.
  • Menjelaskan exponential smoothing (SES, Holt, Holt-Winters).
  • Memilih metode pada data validasi lalu menguji sekali pada data uji.
  • Menafsirkan hasil dari satu titik asal dengan hati-hati.

Metode sederhana (baseline)

Dengan data sampai waktu \(T\) dan horizon \(h\):

Metode Rumus prediksi \(\hat{y}_{T+h}\) Cocok bila
Naive \(y_T\) Deret acak tanpa pola
Seasonal naive \(y_{T+h-m}\) (nilai musim yang sama tahun lalu) Musiman kuat
Drift \(y_T + h\cdot\dfrac{y_T - y_1}{T-1}\) Tren hampir lurus
Rata-rata bergerak rata-rata \(k\) nilai terakhir Deret berfluktuasi di sekitar tingkat tetap

Metode ini wajib dicoba lebih dulu: model rumit hanya bermanfaat bila mengalahkannya.

Exponential smoothing

Alih-alih rata-rata biasa, bobot data lama mengecil secara eksponensial. Simple exponential smoothing (SES) memperbarui tingkat (level) \(\ell_t\):

\[ \ell_t = \alpha\, y_t + (1-\alpha)\,\ell_{t-1}, \qquad 0 \le \alpha \le 1 \]

\(\alpha\) besar = mengikuti data terbaru; \(\alpha\) kecil = lebih halus. Perluasannya:

  • Holt menambah komponen tren (\(\beta\)).
  • Holt-Winters menambah komponen musiman (\(\gamma\)), aditif atau multiplikatif.
  • Tren teredam (damped) mengecilkan tren seiring horizon agar ekstrapolasi tidak lepas kendali.

Parameter diestimasi otomatis oleh statsmodels.

Implementasi langkah demi langkah

Dataset CO2 bulanan. Semua metode dilatih sampai 1997-12 dan dinilai pada 24 bulan validasi (1998–1999) dari satu titik asal. Metode terbaik menurut MASE validasi dilatih ulang pada latih+validasi dan diuji sekali pada 2000–2001. Program examples/forecasting/baselines.py; program lengkap ada di akhir bagian ini.

Langkah 1: data dan pembagian

baselines.py
import warnings

import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing, Holt, SimpleExpSmoothing

from forecast_utils import mae, mase, rmse, seasonal_naive, load_co2_monthly

warnings.filterwarnings("ignore")  # peringatan konvergensi statsmodels disembunyikan agar keluaran ringkas

y = load_co2_monthly()
test, valid, train = y.iloc[-24:], y.iloc[-48:-24], y.iloc[:-48]
H = len(valid)

warnings.filterwarnings("ignore") menyembunyikan peringatan konvergensi statsmodels agar keluaran ringkas (pada pekerjaan nyata, baca peringatan itu). Pembagian kronologis sama dengan lesson validasi: H = len(valid) = 24 = horizon prediksi.

Langkah 2: satu fungsi untuk semua metode

Konsep. Fungsi forecasts(history, horizon) menerima data masa lalu dan menghasilkan prediksi sejumlah horizon langkah dengan semua metode. Karena hanya memakai history, tidak ada kebocoran dari masa depan, dan fungsi yang sama dapat dipakai untuk validasi maupun pengujian akhir.

baselines.py
def forecasts(history, horizon):
    """Prediksi horizon langkah dari satu titik asal, hanya memakai `history`."""
    last = history.iloc[-1]
    drift = (history.iloc[-1] - history.iloc[0]) / (len(history) - 1)
    steps = np.arange(1, horizon + 1)
    out = {
        "Naive (nilai terakhir)": np.repeat(last, horizon),
        "Rata-rata 12 bulan terakhir": np.repeat(history.iloc[-12:].mean(), horizon),
        "Drift": last + drift * steps,
        "Seasonal naive": seasonal_naive(history, horizon),
        "Simple Exp. Smoothing": SimpleExpSmoothing(history, initialization_method="estimated").fit().forecast(horizon).to_numpy(),
        "Holt (tren)": Holt(history, initialization_method="estimated").fit().forecast(horizon).to_numpy(),
        "Holt (tren teredam)": Holt(history, damped_trend=True, initialization_method="estimated").fit().forecast(horizon).to_numpy(),
        "Holt-Winters (tren+musiman)": ExponentialSmoothing(
            history, trend="add", seasonal="add", seasonal_periods=12, initialization_method="estimated"
        ).fit().forecast(horizon).to_numpy(),
    }
    return out
Kode Penjelasan
last = history.iloc[-1] Nilai terakhir yang diketahui.
np.repeat(last, horizon) Naive: mengulang nilai terakhir sebanyak horizon kali.
history.iloc[-12:].mean() Rata-rata 12 bulan terakhir, diulang.
last + drift * steps Drift: garis lurus dari nilai terakhir dengan kemiringan rata-rata historis ((akhir - awal) / jumlah selang). steps = 1, 2, ..., horizon.
seasonal_naive(history, horizon) Menyalin 12 nilai terakhir (musim yang sama tahun lalu).
SimpleExpSmoothing(history, initialization_method="estimated").fit().forecast(horizon) SES: memodelkan hanya level. initialization_method="estimated" berarti nilai awal ikut diestimasi; fit() mengestimasi parameter pemulusan (\(\alpha\)); forecast(h) memprediksi h langkah.
Holt(...) Menambah tren (\(\beta\)). Dengan damped_trend=True tren diredam seiring horizon.
ExponentialSmoothing(history, trend="add", seasonal="add", seasonal_periods=12) Holt-Winters: level + tren aditif + musiman aditif periode 12.
.to_numpy() Mengubah hasil menjadi array NumPy agar semua metode berbentuk sama.

Fungsi mengembalikan kamus {nama metode: prediksi}.

Langkah 3: evaluasi pada data validasi

baselines.py
# 1. Evaluasi pada data VALIDASI (24 bulan), dari satu titik asal: akhir data latih
preds = forecasts(train, H)
rows = [{"Metode": k, "MAE": mae(valid, v), "RMSE": rmse(valid, v), "MASE": mase(valid, v, train)}
        for k, v in preds.items()]
table = pd.DataFrame(rows).set_index("Metode").round(2)
print(table.sort_values("MASE").to_string())

forecasts(train, H) memberi prediksi 24 bulan dari akhir data latih. Perulangan (list comprehension) menghitung MAE, RMSE, dan MASE tiap metode terhadap valid; MASE memakai train untuk menghitung skala seasonal naive (rumus). Tabel diurutkan menurut MASE.

                               MAE   RMSE   MASE
Metode                                          
Holt-Winters (tren+musiman)   1.37   1.44   1.10
Drift                         2.34   2.79   1.87
Holt (tren teredam)           3.07   3.85   2.46
Naive (nilai terakhir)        3.20   3.75   2.56
Simple Exp. Smoothing         3.20   3.75   2.56
Rata-rata 12 bulan terakhir   3.72   4.23   2.98
Seasonal naive                3.72   3.83   2.98
Holt (tren)                  20.21  23.94  16.18

Interpretasi.

  • Holt-Winters unggul jauh: MAE 1,37; MASE 1,10 pada validasi, karena ia memodelkan tren dan musiman sekaligus. Drift (MAE 2,34) menangkap tren tetapi bukan musiman.
  • SES identik dengan Naive (MAE 3,20; RMSE 3,75): parameter \(\alpha\) yang diestimasi mendekati 1, sehingga SES hanya menyalin nilai terakhir. Rata-rata 12 bulan dan seasonal naive sama-sama MAE 3,72: keduanya menghapus siklus musiman tetapi tertinggal oleh tren.
  • Holt (tren) gagal total: MAE 20,21. Tanpa komponen musiman, parameter yang diestimasi (\(\alpha\) dan \(\beta\) mendekati 1) membuat tren sama dengan perubahan bulan terakhir, yang sangat dipengaruhi musim, lalu diekstrapolasi selama 24 bulan. Tren teredam meredam hal ini (MAE 3,07). Pelajarannya: ekstrapolasi tren tanpa batas berbahaya.

Langkah 4: memilih dan menguji sekali

baselines.py
# 2. Pilih berdasarkan validasi, lalu evaluasi SATU KALI pada uji dengan data latih + validasi
best = table["MASE"].idxmin()
trainval = pd.concat([train, valid])
pred_test = forecasts(trainval, len(test))[best]
sn_test = forecasts(trainval, len(test))["Seasonal naive"]
print("\nMetode terpilih (MASE validasi terendah):", best)
print("Uji   -> MAE %.2f | RMSE %.2f | MASE %.2f" % (mae(test, pred_test), rmse(test, pred_test), mase(test, pred_test, trainval)))
print("Uji (pembanding seasonal naive) -> MAE %.2f | MASE %.2f" % (mae(test, sn_test), mase(test, sn_test, trainval)))
Kode Penjelasan
table["MASE"].idxmin() Nama metode dengan MASE validasi terkecil.
pd.concat([train, valid]) Menggabungkan latih dan validasi: setelah memilih, semua data yang tersedia sebelum periode uji dipakai untuk melatih ulang.
forecasts(trainval, len(test))[best] Prediksi 24 bulan uji dari metode terpilih; [best] mengambil dari kamus.
Metode terpilih (MASE validasi terendah): Holt-Winters (tren+musiman)
Uji   -> MAE 0.24 | RMSE 0.31 | MASE 0.18
Uji (pembanding seasonal naive) -> MAE 1.88 | MASE 1.45

Interpretasi. Holt-Winters dipilih, dilatih ulang pada latih+validasi, dan diuji sekali pada 2000–2001: MAE 0,24; RMSE 0,31; MASE 0,18, jauh lebih baik daripada seasonal naive (MAE 1,88; MASE 1,45).

Hati-hati dengan satu titik asal

Galat Holt-Winters pada validasi 1,37 tetapi pada uji hanya 0,24. Perbedaan 5 kali lipat ini menunjukkan hasil dari satu titik asal sangat bergantung pada kebetulan periode; itu sebabnya rolling origin dan perbandingan multi-asal diperlukan sebelum memercayai satu angka.

Program lengkap (baselines.py)
baselines.py
import warnings

import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing, Holt, SimpleExpSmoothing

from forecast_utils import mae, mase, rmse, seasonal_naive, load_co2_monthly

warnings.filterwarnings("ignore")  # peringatan konvergensi statsmodels disembunyikan agar keluaran ringkas

y = load_co2_monthly()
test, valid, train = y.iloc[-24:], y.iloc[-48:-24], y.iloc[:-48]
H = len(valid)


def forecasts(history, horizon):
    """Prediksi horizon langkah dari satu titik asal, hanya memakai `history`."""
    last = history.iloc[-1]
    drift = (history.iloc[-1] - history.iloc[0]) / (len(history) - 1)
    steps = np.arange(1, horizon + 1)
    out = {
        "Naive (nilai terakhir)": np.repeat(last, horizon),
        "Rata-rata 12 bulan terakhir": np.repeat(history.iloc[-12:].mean(), horizon),
        "Drift": last + drift * steps,
        "Seasonal naive": seasonal_naive(history, horizon),
        "Simple Exp. Smoothing": SimpleExpSmoothing(history, initialization_method="estimated").fit().forecast(horizon).to_numpy(),
        "Holt (tren)": Holt(history, initialization_method="estimated").fit().forecast(horizon).to_numpy(),
        "Holt (tren teredam)": Holt(history, damped_trend=True, initialization_method="estimated").fit().forecast(horizon).to_numpy(),
        "Holt-Winters (tren+musiman)": ExponentialSmoothing(
            history, trend="add", seasonal="add", seasonal_periods=12, initialization_method="estimated"
        ).fit().forecast(horizon).to_numpy(),
    }
    return out


# 1. Evaluasi pada data VALIDASI (24 bulan), dari satu titik asal: akhir data latih
preds = forecasts(train, H)
rows = [{"Metode": k, "MAE": mae(valid, v), "RMSE": rmse(valid, v), "MASE": mase(valid, v, train)}
        for k, v in preds.items()]
table = pd.DataFrame(rows).set_index("Metode").round(2)
print(table.sort_values("MASE").to_string())

# 2. Pilih berdasarkan validasi, lalu evaluasi SATU KALI pada uji dengan data latih + validasi
best = table["MASE"].idxmin()
trainval = pd.concat([train, valid])
pred_test = forecasts(trainval, len(test))[best]
sn_test = forecasts(trainval, len(test))["Seasonal naive"]
print("\nMetode terpilih (MASE validasi terendah):", best)
print("Uji   -> MAE %.2f | RMSE %.2f | MASE %.2f" % (mae(test, pred_test), rmse(test, pred_test), mase(test, pred_test, trainval)))
print("Uji (pembanding seasonal naive) -> MAE %.2f | MASE %.2f" % (mae(test, sn_test), mase(test, sn_test, trainval)))

Kesalahan umum

Hindari

  • Melewatkan baseline musiman.
  • Menganggap tren selalu boleh diekstrapolasi; gunakan tren teredam atau uji dahulu.
  • Menyimpulkan dari satu titik asal.
  • Memilih metode dengan data uji.

Latihan

  1. Ganti seasonal="add" menjadi "mul" pada Holt-Winters. Apakah MAE validasi berubah?
  2. Ubah jendela rata-rata bergerak menjadi 3 dan 24 bulan.
  3. Cetak smoothing_level, smoothing_trend, smoothing_seasonal dari model Holt-Winters.

Ringkasan

Mulai dari naive, seasonal naive, dan drift; exponential smoothing menambahkan tren dan musiman secara bertahap. Pilih dengan data validasi, uji sekali, dan waspadai hasil satu titik asal serta ekstrapolasi tren.

Berikutnya: Forecasting dengan Regresi dan Fitur Lag.