Section Machine Learning untuk Deret Waktu berisi materi 6 chapter. Prediksi nilai masa depan dari data berurutan: dekomposisi, stationaritas, ARIMA, fitur lag, dan validasi walk-forward.

# Konsep Deret Waktu

Pahami keterurutan, autokorelasi, dan perbedaan analisisnya dari data tabular biasa.

Buka → # Dekomposisi Deret Waktu

Pisahkan tren, musiman, dan residual dengan statsmodels.

Buka → # Stationaritas dan Uji Augmented Dickey-Fuller

Uji kestabilan statistik deret dan terapkan differencing bila perlu.

Buka → # ARIMA untuk Forecasting

Rakit model ARIMA dengan parameter p, d, dan q yang tepat.

Buka → # Forecasting dengan Fitur Lag

Ubah deret waktu menjadi masalah supervised dengan fitur jendela waktu.

Buka → # Validasi Walk-Forward

Evaluasi forecasting dengan pembagian data yang menghormati urutan waktu.

Buka →