Lewati ke isi

Proyek: Meramalkan Penjualan Bulanan End-to-End

Gambaran singkat

Apa ini? Proyek penutup yang merangkai alur peramalan: dari data mentah sampai ramalan 12 bulan dengan interval.

Analogi

Seperti ujian praktik setelah belajar teori: semua langkah dijalankan berurutan.

Mengapa penting? Di dunia nyata setiap langkah saling terkait. Proyek ini memperlihatkan alur utuh dan tempat paling mudah terjadi kesalahan.

Yang akan dipelajari, berurutan:

  1. Memeriksa data dan memisahkan 12 bulan terakhir sebagai uji.
  2. Membandingkan tiga metode dengan rolling origin.
  3. Evaluasi sekali pada data uji.
  4. Melatih ulang pada seluruh data dan meramal dengan interval 95%.
  5. Menyimpan model.

Istilah awal:

Istilah Arti sederhana
Data uji 12 bulan terakhir yang tidak disentuh sampai evaluasi akhir
Interval 95% Rentang yang diharapkan memuat nilai nyata 95% dari waktu
SARIMA ARIMA dengan komponen musiman

Tujuan proyek

Menerapkan alur forecasting lengkap: menyiapkan deret, membagi data kronologis, membandingkan metode dengan rolling origin, mengevaluasi sekali pada data uji, melatih ulang pada seluruh data, memprediksi 12 bulan ke depan dengan interval, dan menyimpan model.

Masalah dan data

Masalah: merencanakan stok dengan meramalkan penjualan bulanan produk untuk 12 bulan ke depan.

Data: sintetis, dibangkitkan program dengan seed tetap: 84 bulan (Januari 2017–Desember 2023) berisi tren naik 2,2 per bulan, pola musiman dengan puncak Desember (+45) dan November (+22), dan derau normal dengan simpangan baku 8. Karena kita yang membuat datanya, kita tahu derau acaknya tidak dapat diprediksi: galat absolut rata-rata minimal sekitar 6,4 (≈ 0,8 × 8) bahkan bagi model yang sempurna. Hasil tidak menggambarkan penjualan nyata.

Alur kerja

  1. Periksa data dan pisahkan 12 bulan terakhir sebagai uji.
  2. Evaluasi tiga metode (seasonal naive, Holt-Winters, SARIMA) pada 4 titik asal (akhir 2019–2022), horizon 12 bulan.
  3. Pilih metode; evaluasi satu kali pada 12 bulan uji.
  4. Latih ulang pada seluruh data, prediksi 2024 dengan interval 95%, simpan model.

Implementasi langkah demi langkah

Program examples/forecasting/project.py berdiri sendiri (fungsi metrik ditulis ulang di dalamnya). Konsep tiap langkah sudah dibahas di pelajaran sebelumnya; di sini fokusnya pada penyatuan langkah. Program lengkap ada di akhir bagian ini.

Langkah 1: membangkitkan data penjualan sintetis

project.py
# 1. Data SINTETIS: penjualan bulanan 2017-2023 = tren + musiman (puncak Desember) + derau
rng = np.random.default_rng(7)
idx = pd.date_range("2017-01-01", "2023-12-01", freq="MS")
t = np.arange(len(idx))
season = np.array([-10, -12, -5, 0, 4, 2, -3, -2, 3, 10, 22, 45])[idx.month - 1]
sales = pd.Series(200 + 2.2 * t + season + rng.normal(0, 8, len(idx)), index=idx, name="sales").round(1)
print("data:", sales.index[0].strftime("%Y-%m"), "s.d.", sales.index[-1].strftime("%Y-%m"), "| %d bulan" % len(sales))
print("rata-rata per tahun:", sales.groupby(sales.index.year).mean().round(0).astype(int).to_dict())
print("bulan dengan rata-rata tertinggi:", int(sales.groupby(sales.index.month).mean().idxmax()))
Kode Penjelasan
pd.date_range("2017-01-01", "2023-12-01", freq="MS") 84 bulan dari Januari 2017 sampai Desember 2023.
200 + 2.2 * t Tren: dasar 200 naik 2,2 per bulan.
np.array([-10, ..., 45])[idx.month - 1] Pola musiman: array 12 nilai (satu per bulan, Desember +45); [idx.month - 1] mengambil nilai sesuai bulan tiap tanggal (bulan 1 → indeks 0).
rng.normal(0, 8, len(idx)) Derau acak, simpangan baku 8 (seed 7).
data: 2017-01 s.d. 2023-12 | 84 bulan
rata-rata per tahun: {2017: 216, 2018: 238, 2019: 265, 2020: 296, 2021: 324, 2022: 346, 2023: 376}
bulan dengan rata-rata tertinggi: 12

Hasil. 84 bulan; rata-rata tahunan naik dari 216 (2017) ke 376 (2023); Desember adalah bulan dengan rata-rata tertinggi.

Langkah 2: pembagian dan daftar metode

Konsep. 12 bulan terakhir menjadi data uji dan tidak disentuh selama pemilihan. Pemilihan memakai 4 titik asal (akhir 2019, 2020, 2021, 2022) dengan horizon 12 bulan.

project.py
# 2. Split: 12 bulan terakhir = uji (disimpan). Pengembangan memakai 4 titik asal yang tidak menyentuh uji.
H = 12
train_all, test = sales.iloc[:-H], sales.iloc[-H:]
dev_origins = [len(train_all) - H * k for k in (3, 2, 1, 0)]  # asal pada akhir 2019, 2020, 2021, 2022

methods = {
    "Seasonal naive": lambda tr, h: seasonal_naive(tr, h),
    "Holt-Winters aditif": lambda tr, h: ExponentialSmoothing(
        tr, trend="add", seasonal="add", seasonal_periods=12, initialization_method="estimated").fit().forecast(h).to_numpy(),
    "SARIMA (1,1,1)(0,1,1,12)": lambda tr, h: SARIMAX(
        tr, order=(1, 1, 1), seasonal_order=(0, 1, 1, 12)).fit(disp=False).forecast(h).to_numpy(),
}

dev_origins = [len(train_all) - H * k for k in (3, 2, 1, 0)] menghasilkan empat jumlah data latih yang masing-masing berselisih 12 bulan. methods adalah kamus nama → fungsi(riwayat, horizon) seperti di lesson perbandingan: seasonal naive, Holt-Winters aditif, dan SARIMA.

Langkah 3: evaluasi pengembangan

project.py
rows = []
for name, fn in methods.items():
    errs = [mae(sales.iloc[e:e + H], fn(sales.iloc[:e], H)) for e in dev_origins]
    rows.append({"Metode": name, "MAE rata-rata": np.mean(errs), "Std": np.std(errs)})
dev = pd.DataFrame(rows).set_index("Metode").sort_values("MAE rata-rata")
print("\nPengembangan (4 titik asal, horizon 12 bulan):")
print(dev.round(1).to_string())

Untuk tiap metode, list comprehension menghitung MAE di tiap titik asal (sales.iloc[:e] sebagai riwayat, sales.iloc[e:e + H] sebagai nilai sebenarnya); rata-rata dan simpangan bakunya disimpan dalam tabel.

Pengembangan (4 titik asal, horizon 12 bulan):
                          MAE rata-rata  Std
Metode                                      
Holt-Winters aditif                 6.7  1.5
SARIMA (1,1,1)(0,1,1,12)            6.8  1.3
Seasonal naive                     27.7  3.5

Interpretasi. Holt-Winters aditif MAE 6,7 (± 1,5), SARIMA 6,8 (± 1,3), seasonal naive 27,7 (± 3,5). Seasonal naive begitu buruk karena tren 2,2 per bulan menghasilkan selisih sekitar 26 per tahun yang tidak ditangkap, ditambah derau; galat 27,7 hampir seluruhnya akibat tren.

Langkah 4: keputusan model dan evaluasi akhir

project.py
# 3. Pemilihan: dua teratas berselisih jauh lebih kecil daripada simpangan bakunya, jadi dianggap setara.
#    Dipilih SARIMA karena menghasilkan interval prediksi. Evaluasi akhir SATU kali pada 12 bulan uji.
best = "SARIMA (1,1,1)(0,1,1,12)"
gap = abs(dev.loc["Holt-Winters aditif", "MAE rata-rata"] - dev.loc[best, "MAE rata-rata"])
print("\nSelisih MAE Holt-Winters vs SARIMA: %.1f (Std antar-asal: %.1f-%.1f) -> dianggap setara"
      % (gap, dev.loc[best, "Std"], dev.loc["Holt-Winters aditif", "Std"]))
pred = methods[best](train_all, H)
sn = methods["Seasonal naive"](train_all, H)
print("Metode terpilih:", best)
print("Uji -> MAE %.1f | MASE %.2f   (seasonal naive: MAE %.1f | MASE %.2f)" % (
    mae(test, pred), mase(test, pred, train_all), mae(test, sn), mase(test, sn, train_all)))

Dua metode teratas hanya berbeda 0,1, jauh lebih kecil daripada simpangan bakunya (1,3–1,5), jadi dianggap setara. SARIMA dipilih karena menghasilkan interval prediksi; keputusan ini ditetapkan sebelum melihat data uji. Kemudian model dilatih pada seluruh data sebelum 12 bulan terakhir (train_all) dan dinilai sekali pada test, dibandingkan dengan seasonal naive.

Selisih MAE Holt-Winters vs SARIMA: 0.1 (Std antar-asal: 1.3-1.5) -> dianggap setara
Metode terpilih: SARIMA (1,1,1)(0,1,1,12)
Uji -> MAE 4.8 | MASE 0.18   (seasonal naive: MAE 29.7 | MASE 1.14)

Interpretasi. SARIMA MAE 4,8; MASE 0,18, dibanding seasonal naive MAE 29,7; MASE 1,14. Galat 4,8 lebih rendah dari perkiraan batas 6,4 (derau acak saja sudah ≈ 0,8 × 8) karena hanya 12 titik (variasi sampel); galat pengembangan 6,7 lebih mencerminkan kinerja yang dapat diharapkan, dan sangat dekat dengan batas derau. Batas itu hanya kita ketahui karena datanya sintetis.

Langkah 5: melatih ulang pada seluruh data dan memprediksi 2024

project.py
# 4. Latih ulang pada SELURUH data, prediksi 12 bulan ke depan dengan interval 95%, lalu simpan
final = SARIMAX(sales, order=(1, 1, 1), seasonal_order=(0, 1, 1, 12)).fit(disp=False)
fc = final.get_forecast(H)
out = pd.DataFrame({"prediksi": fc.predicted_mean}).join(fc.conf_int(alpha=0.05).set_axis(["bawah_95", "atas_95"], axis=1))
print("\nPrediksi 2024 (SARIMA dilatih pada seluruh data):")
print(out.round(0).astype(int).iloc[[0, 5, 10, 11]].to_string())
Kode Penjelasan
SARIMAX(sales, ...).fit(disp=False) Latih ulang pada seluruh 84 bulan: setelah keputusan dibuat, semua data tersedia dipakai.
final.get_forecast(H) Prediksi 12 bulan ke depan (2024) dengan interval.
fc.conf_int(alpha=0.05).set_axis(["bawah_95", "atas_95"], axis=1) Interval 95% dengan nama kolom yang jelas; join menggabungkannya dengan prediksi titik.
.round(0).astype(int).iloc[[0, 5, 10, 11]] Pembulatan, lalu menampilkan empat bulan (Januari, Juni, November, Desember).
Prediksi 2024 (SARIMA dilatih pada seluruh data):
            prediksi  bawah_95  atas_95
2024-01-01       376       362      391
2024-06-01       399       384      413
2024-11-01       435       420      450
2024-12-01       453       438      468

Interpretasi. Prediksi 2024: Januari 376 (interval 362–391), Juni 399 (384–413), November 435 (420–450), Desember 453 (438–468). Lebar interval sekitar ±15, konsisten dengan derau 8 (1,96 × ~7,5). Interval berlaku bila pola masa lalu berlanjut.

Langkah 6: menyimpan model

project.py
path = Path(tempfile.mkdtemp()) / "sales_sarima.joblib"
joblib.dump(final, path)
print("\nprediksi identik setelah dimuat:", np.allclose(joblib.load(path).forecast(H), fc.predicted_mean))
prediksi identik setelah dimuat: True

Hasil. Prediksi identik setelah model dimuat ulang.

Program lengkap (project.py)
project.py
"""Proyek forecasting end-to-end: penjualan bulanan produk (data SINTETIS)."""
import tempfile
import warnings
from pathlib import Path

import joblib
import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing
from statsmodels.tsa.statespace.sarimax import SARIMAX

warnings.filterwarnings("ignore")


def mae(a, b):
    return float(np.mean(np.abs(np.asarray(a) - np.asarray(b))))


def mase(a, b, train, m=12):
    train = np.asarray(train)
    return mae(a, b) / float(np.mean(np.abs(train[m:] - train[:-m])))


def seasonal_naive(train, h, m=12):
    return np.resize(np.asarray(train)[-m:], h)


# 1. Data SINTETIS: penjualan bulanan 2017-2023 = tren + musiman (puncak Desember) + derau
rng = np.random.default_rng(7)
idx = pd.date_range("2017-01-01", "2023-12-01", freq="MS")
t = np.arange(len(idx))
season = np.array([-10, -12, -5, 0, 4, 2, -3, -2, 3, 10, 22, 45])[idx.month - 1]
sales = pd.Series(200 + 2.2 * t + season + rng.normal(0, 8, len(idx)), index=idx, name="sales").round(1)
print("data:", sales.index[0].strftime("%Y-%m"), "s.d.", sales.index[-1].strftime("%Y-%m"), "| %d bulan" % len(sales))
print("rata-rata per tahun:", sales.groupby(sales.index.year).mean().round(0).astype(int).to_dict())
print("bulan dengan rata-rata tertinggi:", int(sales.groupby(sales.index.month).mean().idxmax()))

# 2. Split: 12 bulan terakhir = uji (disimpan). Pengembangan memakai 4 titik asal yang tidak menyentuh uji.
H = 12
train_all, test = sales.iloc[:-H], sales.iloc[-H:]
dev_origins = [len(train_all) - H * k for k in (3, 2, 1, 0)]  # asal pada akhir 2019, 2020, 2021, 2022

methods = {
    "Seasonal naive": lambda tr, h: seasonal_naive(tr, h),
    "Holt-Winters aditif": lambda tr, h: ExponentialSmoothing(
        tr, trend="add", seasonal="add", seasonal_periods=12, initialization_method="estimated").fit().forecast(h).to_numpy(),
    "SARIMA (1,1,1)(0,1,1,12)": lambda tr, h: SARIMAX(
        tr, order=(1, 1, 1), seasonal_order=(0, 1, 1, 12)).fit(disp=False).forecast(h).to_numpy(),
}
rows = []
for name, fn in methods.items():
    errs = [mae(sales.iloc[e:e + H], fn(sales.iloc[:e], H)) for e in dev_origins]
    rows.append({"Metode": name, "MAE rata-rata": np.mean(errs), "Std": np.std(errs)})
dev = pd.DataFrame(rows).set_index("Metode").sort_values("MAE rata-rata")
print("\nPengembangan (4 titik asal, horizon 12 bulan):")
print(dev.round(1).to_string())

# 3. Pemilihan: dua teratas berselisih jauh lebih kecil daripada simpangan bakunya, jadi dianggap setara.
#    Dipilih SARIMA karena menghasilkan interval prediksi. Evaluasi akhir SATU kali pada 12 bulan uji.
best = "SARIMA (1,1,1)(0,1,1,12)"
gap = abs(dev.loc["Holt-Winters aditif", "MAE rata-rata"] - dev.loc[best, "MAE rata-rata"])
print("\nSelisih MAE Holt-Winters vs SARIMA: %.1f (Std antar-asal: %.1f-%.1f) -> dianggap setara"
      % (gap, dev.loc[best, "Std"], dev.loc["Holt-Winters aditif", "Std"]))
pred = methods[best](train_all, H)
sn = methods["Seasonal naive"](train_all, H)
print("Metode terpilih:", best)
print("Uji -> MAE %.1f | MASE %.2f   (seasonal naive: MAE %.1f | MASE %.2f)" % (
    mae(test, pred), mase(test, pred, train_all), mae(test, sn), mase(test, sn, train_all)))

# 4. Latih ulang pada SELURUH data, prediksi 12 bulan ke depan dengan interval 95%, lalu simpan
final = SARIMAX(sales, order=(1, 1, 1), seasonal_order=(0, 1, 1, 12)).fit(disp=False)
fc = final.get_forecast(H)
out = pd.DataFrame({"prediksi": fc.predicted_mean}).join(fc.conf_int(alpha=0.05).set_axis(["bawah_95", "atas_95"], axis=1))
print("\nPrediksi 2024 (SARIMA dilatih pada seluruh data):")
print(out.round(0).astype(int).iloc[[0, 5, 10, 11]].to_string())

path = Path(tempfile.mkdtemp()) / "sales_sarima.joblib"
joblib.dump(final, path)
print("\nprediksi identik setelah dimuat:", np.allclose(joblib.load(path).forecast(H), fc.predicted_mean))

Refleksi

  • Karena derau data dikendalikan, kita dapat melihat bahwa model sudah mendekati batas; pada data nyata batas ini tidak diketahui, sehingga baseline dan sebaran antar-asal menjadi acuan.
  • Interval harus diuji cakupannya sebelum dipakai untuk keputusan stok (lihat Horizon dan Interval).
  • Pantau galat setelah deployment dan rencanakan pelatihan ulang (Monitoring).

Latihan

  1. Ubah simpangan baku derau dari 8 menjadi 20. Bagaimana MAE dan lebar interval berubah?
  2. Tambahkan model Ridge berbasis lag (lesson regresi) ke perbandingan.
  3. Hitung cakupan empiris interval 95% pada titik asal pengembangan.
  4. Tulis ringkasan satu paragraf untuk manajer stok: apa yang dapat dan tidak dapat dijamin dari ramalan ini?

Ringkasan

Proyek ini menunjukkan alur forecasting yang benar: evaluasi kronologis dan multi-asal, baseline musiman, keputusan yang dibuat sebelum membuka data uji, pelatihan ulang pada seluruh data, serta prediksi beserta interval. Pada data sintetis, kita dapat membandingkan hasil dengan batas derau yang diketahui.

Selesai dengan bab Forecasting. Lanjut ke bab Klaster.