Meramal Waktu
Sebagai seorang programmer kita dapat mempelajari berbagai macam hal, salah satunya adalah meramal. Mari kita cari definisi meramal di KBBI
Meramal/me·ra·mal/ v 1 melihat nasib orang ; 2 menduga; menelaah:
Jadi apakah sebagai programmer kita juga bisa melihat nasib orang seperti mama lauren atau ki joko bodo? YA TENTU TIDAK. Meramal yang dimaksud sini adalah sebuah proses membuat prediksi masa depan berdasarkan data yang ada saat ini atau biasa disebut dengan Forecasting
Pada proyek PPL 2019 kali ini, kelompok kami mendapatkan suatu masalah yang dapat diselesaikan dengan Forecasting khususnya dengan model Time Series Forecasting.
Time Series Forecasting??????
Time Series Forecasting adalah sebuah penggunaan model waktu untuk memprediksi nilai di masa depan berdasarkan data yang ada saat ini. Jika dalam Machine Learning biasa kita hanya membutuhkan data-data observasi sebelumnya, pada Time Series Forecasting kita membutuhkan data-data observasi disertai keterangan waktunya. Karena pada kasus ini waktu merupakan hal yang sama pentingnya dengan observasi. Pada Time Series Forecasting memproses data sangat diperlukan untuk menganalisis waktu dari sebuah observasi. Yang hasil akhirnya akan berupa sebuah model ramalan interval pada waktu-waktu tertentu. Time Series Forecasting ini sangat diperlukan untuk menganalisis data non stasioner seperti data mengenai ekonomi, cuaca, harga retail dan lainnya.
How to use time series forecasting
Jadi setelah mengetahui mengenai Time Series Forecasting pastinya kita perlu tahu cara kerjanya bukan?
Langkah pertama adalah melakukan preprocessing data, yaitu merapihkan data yang akan kita proses dengan cara menghapus kolom yang kita tidak butuhkan dan mengecek nilai yang kosong. Kemudian melakukan indexing terhadap data yang ada sehingga data sudah dapat diurutkan berdasarkan tanggal. Kemudian setelah diurutkan kita dapat menvisualisasikan data tersebut.
Time Series Forecasting Methods
Dalam pembuatan Time Series Forecasting sendiri dapat menggunakan berbagai metode. Terdapat 11 metode yang sudah dikenal publik luas
- Autoregression (AR)
- Moving Average (MA)
- Autoregressive Moving Average (ARMA)
- Autoregressive Integrated Moving Average (ARIMA)
- Seasonal Autoregressive Integrated Moving-Average (SARIMA)
- Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX)
- Vector Autoregression (VAR)
- Vector Autoregression Moving-Average (VARMA)
- Vector Autoregression Moving-Average with Exogenous Regressors (VARMAX)
- Simple Exponential Smoothing (SES)
- Holt Winter’s Exponential Smoothing (HWES)
Sayangnya pada tulisan kali ini saya tidak bisa menjelaskan semuanya karena nanti tulisan ini akan terlalu panjang.
Implementasi pada proyek ppl
Pada proyek ppl ini kami akan menggunakan metode Seasonal Moving Average, yaitu sebuah metode dimana kita akan memecah data menjadi beberapa data kecil. Dalam kasus ini data akan dipecah sesuai dengan interval pembelian user, kemudian kita akan mencari rata-rata dari setiap data kecil tersebut. Harapannya dengan mempunyai rata-rata dari setiap data kecil, kita akan mempunyai rata-rata interval yang lebih pasti walaupun dalam data terdapat outlier.
Selain metode Seasonal Moving Average, kita juga menggunakan Exponential Smoothing. Exponential Smoothing merupakan sebuah teknik untuk memuluskan data terutama data time series. Jika pada Seasonal Moving Average semua data diberikan beban yang sama, pada Exponential Smoothing data akan diberikan beban masing-masing. Kemudian beban pada data akan menurun seiring waktu, jadi data yang lebih baru akan mempunyai beban yang lebih tinggi. Hal ini kami aplikasikan pada proyek kami karena sudah seharusnya perilaku user (dalam hal ini data pembelian) yang lebih baru akan lebih berpengaruh dibandingkan dengan data yang sudah lama.
FUTURE
Sebenarnya terdapat banyak sekali metode lain yang bisa digunakan untuk pemodelan hal ini. The Future is Bright. Dalam implementasi kode kami jika ingin ditingkatkan akurasinya dapat digunakan Auto Regressive Moving Average (ARMA) dimana metode ini lebih kompleks dan seharusnya mempunyai akurasi yang lebih baik juga.
Cukup sekian materi mengenai Time Series Forecasting yang dapat saya sampaikan, kurang lebihnya mohon maaf. Sampai jumpa di tulisan berikutnya
