Data deret waktu punya karakter khusus: urutan memberi makna dan pola masa lalu membantu meramal masa depan. Section ini berjalan dari konsep dasar — tren, musiman, stasioneritas — menuju teknik dekomposisi, pemulusan dengan moving average dan exponential smoothing, model ARIMA, forecasting berbasis fitur machine learning, lalu evaluasi dan validasi deret waktu yang menghormati urutan, ditutup kesadaran akan keterbatasan prediksi.

# Pengenalan Deret Waktu

Kenali ciri data deret waktu, indeks waktu pandas, dan resampling.

Buka → # Tren dan Musiman

Pisahkan pengertian tren, musiman, dan siklus dari data nyata.

Buka → # Stasioneritas

Uji stasioneritas secara visual dan statistik lalu stabilkan dengan differencing.

Buka → # Dekomposisi Deret Waktu

Pecah deret menjadi komponen tren, musiman, dan sisa dengan statsmodels.

Buka → # Moving Average

Haluskan deret dengan simple dan centered moving average sebagai alat baca tren.

Buka → # Exponential Smoothing

Ramalkan dengan pemulusan eksponensial dan Holt-Winters.

Buka → # Model Autoregressive (AR)

Pahami model AR dari persamaan dan ACF/PACF hingga penerapannya.

Buka → # ARIMA

Bangun model ARIMA dengan menentukan orde dari data hingga peramalan.

Buka → # Forecasting dengan Machine Learning

Ubah peramalan menjadi masalah supervised dengan fitur lag dan model gradient boosting.

Buka → # Evaluasi Forecasting

Evaluasi ramalan dengan MAE, MAPE, dan pembanding naive.

Buka → # Validasi Deret Waktu

Validasi dengan time series split yang menjaga urutan waktu.

Buka → # Keterbatasan Prediksi Deret Waktu

Pahami batas peramalan: perubahan struktural, horizon panjang, dan interval ketidakpastian.

Buka →