Bagian 1: Merumuskan Masalah Prediksi

Tiga proyek pertama kita bekerja pada wilayah yang nyaman: menjelaskan data yang sudah terjadi. Proyek ini berbeda — kita mencoba mengatakan sesuatu tentang minggu yang belum terjadi. Peralihan ini mengubah banyak hal: cara memilih data, cara mengukur keberhasilan, dan terutama cara berbicara tentang hasilnya. Karena itu kita mulai bukan dari kode, melainkan dari satu pertanyaan sederhana: keputusan apa sebenarnya yang ingin dibantu, dan prakiraan seperti apa yang cukup baik untuk keputusan itu.

Keputusan yang Ingin Dibantu #

Bu Warni berbelanja cabai merah hampir setiap pekan untuk sambal dan menu andalannya. Dari proyek kedua kita tahu cabai adalah bahan termahal gejolaknya di dapurnya — harganya pernah berlipat dalam dua pekan. Tanpa prakiraan, satu-satunya pilihan Bu Warni adalah bereaksi setelah harga bergerak. Dengan prakiraan, ia bisa bertindak lebih awal. Tiga keputusan konkrit menunggu jawaban:

Perhatikan pola pada kolom horizon: makin jauh keputusan menjangkau masa depan, makin besar taruhannya. Hal ini akan menuntut cara berpikir yang berbeda untuk prakiraan jarak dekat dan jarak jauh — tema yang kita kejar tuntas pada Bagian 11.

Merumuskan Spesifikasi Prediksi #

Pertanyaan “berapa harga cabai minggu depan” perlu diurai menjadi spesifikasi yang bisa dikerjakan. Kita kunci lima hal sejak awal: variabel yang diprediksi, seberapa jauh ke depan, seberapa halus sasarannya, siapa pemakainya, dan bagaimana keberhasilannya diukur.

spesifikasi = {
    "variabel_target": "harga_ribu cabai merah (ribu rupiah per kg)",
    "horizon": "1-4 minggu ke depan",
    "granularitas": "satu angka per minggu",
    "pengguna": "Bu Warni, untuk keputusan belanja stok",
    "ukuran_keberhasilan": "MAE 6 minggu uji, dibanding baseline naive",
}
for kunci, nilai in spesifikasi.items():
    print(f"{kunci:20}: {nilai}")

Output yang Dihasilkan:

variabel_target     : harga_ribu cabai merah (ribu rupiah per kg)
horizon             : 1-4 minggu ke depan
granularitas        : satu angka per minggu
pengguna            : Bu Warni, untuk keputusan belanja stok
ukuran_keberhasilan : MAE 6 minggu uji, dibanding baseline naive

Lima baris spesifikasi ini menjadi kontrak seluruh proyek. Variabel target kita adalah harga rata-rata mingguan dalam ribu rupiah per kilogram — sama dengan satuan data historis yang akan kita kumpulkan pada Bagian 2, sehingga tidak ada ruang salah tafsir satuan. Horizon 1-4 minggu mengikuti tabel keputusan di atas. Dan perhatikan ukuran keberhasilannya: model tidak dinilai mutlak, melainkan dilombakan melawan baseline sederhana — patokan yang akan kita bangun pada Bagian 7 dan wajib dikalahkan agar model berhak dipakai.

Prediksi Bukan Kepastian #

Harga cabai dipengaruhi hal-hal di luar data historis: curah hujan, gagal panen, gangguan distribusi, permintaan hari raya. Model hanya bisa belajar dari pola yang pernah terjadi, sehingga prakiraan selalu membawa ketidakpastian. Konsekuensinya dua. Pertama, setiap prakiraan akan kita sajikan bersama kisaran (interval), bukan satu angka telanjang — makin jauh horizon, makin lebar kisarannya. Kedua, bahasa laporannya harus jujur: “perkiraan”, “kisaran”, “kemungkinan”, bukan “pasti”.

Materi pengantar tentang bentuk data berurutan waktu ada pada chapter Pengenalan Deret Waktu , dan diskusi mendalam tentang batas-batas apa yang bisa dan tidak bisa diramalkan ada pada Keterbatasan Prediksi Deret Waktu — dua bacaan yang menjadi latar belakang keputusan-keputusan kita di bagian-bagian berikutnya.

Ringkasan Bagian 1 #

Masalah sudah dirumuskan: memprakirakan harga mingguan cabai merah pada horizon 1-4 minggu untuk keputusan belanja Bu Warni, dengan keberhasilan diukur melalui MAE melawan baseline naive pada 6 minggu uji. Prakiraan akan selalu disertai interval dan bahasa yang jujur akan ketidakpastiannya.

Spesifikasi itu menuntut bahan bakunya: deret harga historis yang cukup panjang, berasal dari sumber yang jelas. Kita susun pada Bagian 2: Mengumpulkan Data Historis .