Pada percobaan kali ini dalam mata kuliah Knowledge Learning dan data mining akan memcoba seperti apa penerapan time series pada R. Berdasarkan Yanchang Zhao pada bukunya R and Data Mining dijelaskan secara singkat seperti apa dere waktu pada R dan juga bagaimana membangun model ARIMA di R untuk memprediksi masa depan.

Disini terdapat Class Ts yang menunjukkan 7 indikator deret waktu yang terdiri dari data mingguan, lalu 12 dan 4 masing-masing menunjukkan data bulanan dan data triwulan. Sebuah contoh dimana akan dipanggil deret waktu dengan 30 nilai (1-30). Frequency=12 and start=c(2011,3) dimana data seri tersebut dimulai dari Maret 2011

a <- ts(1:30, frequency=12, start=c(2011,3))
print(a)
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2011           1   2   3   4   5   6   7   8   9  10
## 2012  11  12  13  14  15  16  17  18  19  20  21  22
## 2013  23  24  25  26  27  28  29  30
str(a)
##  Time-Series [1:30] from 2011 to 2014: 1 2 3 4 5 6 7 8 9 10 ...
attributes(a)
## $tsp
## [1] 2011.167 2013.583   12.000
## 
## $class
## [1] "ts"

Melalui perintah str kita dapat melihat struktur data tersebut yang ditunjukkan bahwa data range nya dari 1-30 dan dimulai dari tahun 2011 sampai 2014 serta atribut yang ada pada data tersebut.

Berikutnya time series decomposition dimana akan mengurakan sebuah data dari time series untuk dijadikan data sesuai tren, data musiman (Seasonal), siklus data asli dan data yang tidak teratur. Contoh yang ada pada buku R and Data Mining terdapat sebuah data time series AirPassangers yang digunakan untuk contoh komposisi. data tersebut terdiri dari total penumpang bulanan pada maskapai mulai dari tahun 1749 sampai 1960 dan terdapat 144 nilai dari data tersebut

plot(AirPassengers)

Selanjutnya akan mencoba fungsi decompose() untuk memecah data menjadi berbagai komponen variabel

apts <- ts(AirPassengers, frequency=12) #mendecompose data AirPassangers menjadi 12 
f <- decompose(apts) #merubah data menjadi data musiman (Seasonal)
f$figure
##  [1] -24.748737 -36.188131  -2.241162  -8.036616  -4.506313  35.402778
##  [7]  63.830808  62.823232  16.520202 -20.642677 -53.593434 -28.619949
plot(f$figure, type="b", xaxt="n", xlab="")
monthNames <- months(ISOdate(2011,1:12,1))
axis(1, at=1:12, labels=monthNames, las=2)

Grafik diatas menunjukkan hasil data yang sudah didecompose menjadi data sesuai musim (Seasonal Component)

plot(f)

dengan perintah plot() maka data AirPassanger yang sudah dicompose akan ditampilkan dengan beberapa variabel yang berbeda sesuai dengan 4 jenis sesuai data asli (Observed), Trend, data musiman (seasonal), data tidak teratur (Random)

Referensi Yanchang Zhao. R and Data Mining: Examples and Case Studies, 2012, https://www.researchgate.net/publication/234170069_R_and_Data_Mining_Examples_and_Case_Studies