Untitled

Summary Day 1

1. Data time series adalah data yang berhubungan dengan deret waktu.
2. Forecasting adalah prediksi data time series berdasarkan pola data tersebut di masa lalu
3. Syarat utama data time series:

• Data harus urut sesuai periode waktu dari data terlama sampai ke data terbaru
• Interval waktunya harus tetap/sama
• Tidak boleh ada data yang terlewat untuk setiap interval
• Tidak boleh ada yang missing

4. Untuk membuat object time series dapat menggunakan fungsi ts(data, start, frequency)

• data : data yang ingin di forecast
• start : awal mula dari data time series
• frequency : pola berulang yang ingin diamati

5. Proses EDA pada data time series:

• autoplot(objek_ts): plot data secara umum
  • cek ada trend atau tidak
  • cek ada seasonal atau tidak
  • cek tipe pola, apakah additive/multiplicative
    • additive : pola time series apabila trend bertambah, maka ukuran seasonalnya sama X=T+S+E
    • multiplicative : pola time series apabila trend bertambah, maka ukuran seasonalnya semakin besar (amplitudo bertambah berkali lipat) X=T∗S∗E
• decompose(objek_ts, type = “additive/multiplicative”): memecah data ts menjadi 3 komponennya
  • trend : pola general dari data, apakah naik atau turun
  • seasonal : pola berulang atau pola musiman dari data
  • random/error : pola yang belum bisa tertangkap oleh tren dan seasonal

6. Apabila data time series yang kita miliki terdapat pola multiplicative, maka ada beberapa cara yang bisa kita gunakan yaitu :

• melakukan transformasi menggunakan log() atau sqrt() agar pola datanya menjadi additive. Hal ini akan sangat berguna apabila kita memiliki data yang kurang tertangkap pola multiplicativenya
• tetap menjadikan multiplicative dan melanjutkan ke pemodelan time series
• Kedua cara diatas dapat digunakan sebagai salah satu cara untuk tunning model dalam analisis time series.

Summary Day 2

1. Seasonality adjustment adalah proses analisis dengan cara menghilangkan pola seasoanal pada data kita
2. Tujuan pembuatan model time series adalah melakukan prediksi data di masa yang akan datang berdasarkan pola data di masa lalu (forecast)
3. Model-model yang dapat digunakan untuk forecasting:

• Single Moving Average (SMA)
• Exponential Smoothing
  • Simple Exponential Smoothing (SES)
  • Double Exponential Smoothing (Holts Exponential Smoothing)
  • Triple Exponential Smoothing (Holts Winter)
• Autoregresive Integrated Moving Average (ARIMA)

4. Single Moving Average adalah cara prediksi kasus time series paling dasar, melakukan perata-rataan pada data kita sejumlah ordo yang ditentukan. Fungsi yang digunakan adalah SMA(), parameternya:

• x : object ts yang ingin diprediksi
• n : ordo

5. Exponential Smoothing

• Simple Exponential Smoothing -> untuk data tanpa seasonal dan trend
• Holt Exponential / Double Exponential Smoothing -> untuk data tanpa seasonal
• Holt Winter Exponential Smoothing / Triple Exponential Smoothing -> untuk data dengan trend dan seasonal

6. Fungsi yang bisa kita gunakan untuk melakukan exponential smoothing

• ets(), parameternya:
  • y: object ts yang ingin diprediksi
  • model: “***” -> error, trend, seasonal
  • alpha: weight error
  • beta: weight trend
  • gamma: weight seasonal
• HoltWinters(), parameternya:
  • x: object ts
  • alpha: weight error
  • beta: weight trend
  • gamma: weight seasonal
  • seasonal: untuk menentukan pola data

Summary Day 3

1. Metode forecast Exponential Smoothing yang digunakan untuk data dengan trend dan seasonal yaitu metode Holt’s Winter Exponential Smoothing
2. Workflow forecasting data dengan metode exponential smoothing:

• read data
• cek karakteristik (syarat) data time series
• buat object time series dan EDA (visualisasikan data)
• decomposition
• splitting data
• train model
• forecast model
• visualisasi hasil dan evaluasi
• tuning model and repeat

3. Metode ARIMA (Autoregressive Integrated Moving Average) adalah gabungan dari metode Auto Regressive dan Moving Average. Syarat dari metode ini adalah datanya harus bersifat stasioner.
4. Stationarity data time series berarti data yang digunakan tidak memiliki trend dan seasonal, serta variansinya konstan.
5. Untuk mengubah data time series dengan trend dan seasonal agar stasioner dapat menggunakan differencing (fungsi diff()) yaitu mengurangi data di saat ini dengan data di waktu sebelumnya. Differencing bisa lebih dari 1x tergantung kompleksitas data.
6. Workflow forecasting dengan metode non seasonal ARIMA:

• read data
• cek karakteristik (syarat) data time series
• buat object time series dan EDA (visualisasikan data)
• decomposition
• splitting data
• lakukan pengujian stasioner dengan adf.test()
• lakukan differencing jika dibutuhkan, catat berapa kali differencing dilakukan
• buat model auto arima
• tuning model dengan mencari nilai p dan q menggunakan plot ACF dan PACF
• bandingkan AIC antara beberapa model
• forecast model
• visualisasi hasil dan evaluasi
• cek asumsi

Summary Day 4

1. Metode ARIMA untuk data time series dengan pola seasonal menggunakan Seasonal ARIMA (SARIMA). Tahapan pada metode SARIMA hampir sama dengan non seasonal ARIMA, tetapi diperlukan langkah tambahan yaitu melakukan differencing komponen seasonal data.
2. Pengecekan asumsi model time series menggunakan residual dari hasl modeling. Nilai residual yang diharapkan:

• Residual yang tidak ber-autokorelasi, jika ada korelasi maka artinya ada informasi yang tertinggal. Pengujian menggunakan Box.test(residual_model, type = "Ljung-Box)
• Nilai rata-rata residual bernilai 0 (Berdistribusi normal). Pengujian menggunakan shapiro.test(residual_model)