Bagian 1: Mempersiapkan Data Waktu

"""Generator + pemuat dataset penjualan harian Toko Roti Manis (3 outlet).

Deret waktu harian April-September 2026 (183 hari) dibuat secara
deterministik (seed 19) dan sengaja ditanami masalah yang lazim pada
rekap penjualan harian:
  1. baris ganda (duplikat persis),
  2. tanggal hilang (outlet tidak merekam),
  3. omzet 0 atau negatif (salah entri),
  4. nilai kosong (NaN) pada unit_terjual dan omzet.
"""
from __future__ import annotations

import numpy as np
import pandas as pd

SEED = 19
MULAI = pd.Timestamp("2026-04-01")
AKHIR = pd.Timestamp("2026-09-30")
JUMLAH_HARI = (AKHIR - MULAI).days + 1  # 183

OUTLET = ["Cihampelas", "Kemang", "Malioboro"]

# dasar unit terjual per hari, arah tren (perubahan unit hari ke-183
# relatif terhadap hari pertama), dan harga rata-rata per unit
UNIT_DASAR = {"Kemang": 380, "Cihampelas": 315, "Malioboro": 265}
TREN_UNIT = {"Kemang": 0.30, "Cihampelas": 0.08, "Malioboro": -0.14}
HARGA_RATA = {"Kemang": 10500, "Cihampelas": 9800, "Malioboro": 9200}

# kenaikan penjualan akhir pekan: Senin-Selasa datar, Rabu mulai naik
BONUS_DOW = [0.00, 0.00, 0.03, 0.06, 0.14, 0.30, 0.22]

JUMLAH_DUPLIKAT = 8
HILANG_PER_OUTLET = {"Cihampelas": 4, "Kemang": 3, "Malioboro": 4}


def pilih_koordinat(rng, jumlah, terpakai):
    """Memilih `jumlah` pasangan (outlet, hari) unik di luar tepi periode."""
    interior = np.arange(1, JUMLAH_HARI - 1)
    dipilih = []
    while len(dipilih) < jumlah:
        o = int(rng.integers(0, len(OUTLET)))
        h = int(rng.choice(interior))
        if (o, h) in terpakai or (o, h) in dipilih:
            continue
        dipilih.append((o, h))
    return dipilih


def pilih_hilang(rng, terpakai):
    """Tanggal hilang dengan kuota per outlet agar sebarannya merata."""
    interior = np.arange(1, JUMLAH_HARI - 1)
    dipilih = []
    for nama in OUTLET:
        io = OUTLET.index(nama)
        diambil = 0
        while diambil < HILANG_PER_OUTLET[nama]:
            h = int(rng.choice(interior))
            if (io, h) in terpakai or (io, h) in dipilih:
                continue
            dipilih.append((io, h))
            diambil += 1
    return dipilih


def buat_mentah() -> pd.DataFrame:
    """Menghasilkan DataFrame mentah dengan masalah kualitas yang dirancang."""
    rng = np.random.default_rng(SEED)
    tanggal = pd.date_range(MULAI, AKHIR, freq="D")
    potongan = []
    for outlet in OUTLET:
        posisi = np.arange(JUMLAH_HARI, dtype="float64")
        tren = 1.0 + TREN_UNIT[outlet] * (posisi / (JUMLAH_HARI - 1))
        musim = 1.0 + np.array(BONUS_DOW)[tanggal.dayofweek]
        unit = UNIT_DASAR[outlet] * tren * musim * rng.uniform(0.88, 1.12, JUMLAH_HARI)
        unit = np.round(unit).astype("int64")
        omzet = unit * HARGA_RATA[outlet] * rng.uniform(0.95, 1.05, JUMLAH_HARI)
        omzet = (np.round(omzet / 100.0) * 100).astype("int64")
        potongan.append(pd.DataFrame({
            "outlet": outlet,
            "tanggal": tanggal,
            "unit_terjual": unit,
            "omzet": omzet,
        }))
    df = pd.concat(potongan, ignore_index=True)

    # semua masalah ditanam di tanggal interior (bukan 1 Apr / 30 Sep)
    # agar interpolasi bawaan tetap bisa mengisi tepi deret waktu
    terpakai = set()
    omzet_salah = pilih_koordinat(rng, 6, terpakai); terpakai.update(omzet_salah)
    omzet_kosong = pilih_koordinat(rng, 5, terpakai); terpakai.update(omzet_kosong)
    unit_kosong = pilih_koordinat(rng, 3, terpakai); terpakai.update(unit_kosong)
    tanggal_hilang = pilih_hilang(rng, terpakai)
    terpakai.update(tanggal_hilang)
    baris_ganda = pilih_koordinat(rng, JUMLAH_DUPLIKAT, terpakai)

    indeks = lambda koordinat: [o * JUMLAH_HARI + h for o, h in koordinat]

    # 1) omzet 0 (3 baris) dan negatif tanda terbalik (3 baris)
    iks = indeks(omzet_salah)
    df.loc[iks[:3], "omzet"] = 0
    df.loc[iks[3:], "omzet"] = -df.loc[iks[3:], "omzet"]

    # 2) omzet kosong (5 baris) dan unit_terjual kosong (3 baris)
    df.loc[indeks(omzet_kosong), "omzet"] = np.nan
    df.loc[indeks(unit_kosong), "unit_terjual"] = np.nan

    # 3) tanggal hilang (baris utuh dibuang)
    df = df.drop(index=indeks(tanggal_hilang)).reset_index(drop=True)

    # 4) baris ganda (8 salinan persis), lalu urutan baris diacak
    df = pd.concat([df, df.loc[indeks(baris_ganda)]], ignore_index=True)
    urutan = rng.permutation(len(df))
    return df.iloc[urutan].reset_index(drop=True)


if __name__ == "__main__":
    import tempfile
    from pathlib import Path

    df = buat_mentah()
    with tempfile.TemporaryDirectory() as folder:
        berkas = Path(folder) / "penjualan_harian.csv"
        df.to_csv(berkas, index=False)
        print(
            f"penjualan_harian.csv siap: {df.shape[0]} baris x {df.shape[1]} kolom "
            f"({berkas.stat().st_size} byte)"
        )

penjualan_harian.csv siap: 546 baris x 4 kolom (19797 byte)

"""Menyiapkan deret waktu penjualan harian Toko Roti Manis.

Memuat CSV mentah, mengubah kolom tanggal menjadi DatetimeIndex,
mendeteksi tanggal ganda dan tanggal hilang, memvalidasi omzet, lalu
melengkapi kalender tiap outlet dan mengisi nilai yang hilang.
"""
import tempfile
from pathlib import Path

import pandas as pd

from buat_dataset import AKHIR, MULAI, OUTLET, buat_mentah

PENUH = pd.date_range(MULAI, AKHIR, freq="D")

if __name__ == "__main__":
    with tempfile.TemporaryDirectory() as folder:
        berkas = Path(folder) / "penjualan_harian.csv"
        buat_mentah().to_csv(berkas, index=False)
        df = pd.read_csv(berkas)

    print("== 1. Memuat CSV mentah ==")
    print(f"bentuk: {df.shape[0]} baris x {df.shape[1]} kolom")
    print(df.dtypes.to_string())

    print("\n== 2. Konversi tanggal dan sort index ==")
    df["tanggal"] = pd.to_datetime(df["tanggal"])
    print(f"dtype tanggal : {df['tanggal'].dtype} | NaT: {df['tanggal'].isna().sum()}")
    df = df.set_index("tanggal").sort_index()
    print(f"index terurut : {df.index.is_monotonic_increasing}")

    print("\n== 3. Tanggal ganda ==")
    print(f"baris duplikat persis   : {df.duplicated().sum()}")
    df = df.drop_duplicates()
    print(f"setelah drop_duplicates : {len(df)} baris")
    sisa_ganda = df.reset_index().duplicated(subset=["outlet", "tanggal"]).sum()
    print(f"pasangan (outlet, tanggal) ganda tersisa: {sisa_ganda}")

    print("\n== 4. Tanggal hilang per outlet ==")
    total_hilang = 0
    for outlet in OUTLET:
        hilang = PENUH.difference(df.loc[df["outlet"] == outlet].index)
        total_hilang += len(hilang)
        print(f"{outlet:11s}: {len(hilang)} tanggal hilang")
    print(f"total: {total_hilang} dari {len(OUTLET) * len(PENUH)} outlet-hari")

    print("\n== 5. Nilai tidak valid ==")
    print(f"omzet 0 atau negatif : {(df['omzet'] <= 0).sum()}")
    print(f"omzet NaN            : {df['omzet'].isna().sum()}")
    print(f"unit_terjual NaN     : {df['unit_terjual'].isna().sum()}")

    print("\n== 6. Lengkapi kalender dan isi nilai ==")
    df["omzet"] = df["omzet"].mask(df["omzet"] <= 0)
    potongan = []
    for outlet in OUTLET:
        g = df.loc[df["outlet"] == outlet, ["unit_terjual", "omzet"]].reindex(PENUH)
        g["outlet"] = outlet
        g[["unit_terjual", "omzet"]] = g[["unit_terjual", "omzet"]].interpolate(method="time")
        potongan.append(g)
    bersih = pd.concat(potongan).rename_axis("tanggal").sort_index()
    bersih = bersih.round().astype({"unit_terjual": "int64", "omzet": "int64"})
    print(f"bentuk akhir  : {bersih.shape[0]} baris x {bersih.shape[1]} kolom")
    print(f"NaN tersisa   : {int(bersih.isna().sum().sum())}")
    print(f"dtype akhir   : unit_terjual {bersih['unit_terjual'].dtype}, "
          f"omzet {bersih['omzet'].dtype}")
    contoh = bersih.loc["2026-05-19"]
    contoh = contoh.loc[contoh["outlet"] == "Kemang"]
    print(f"contoh terisi : Kemang 2026-05-19 -> unit_terjual "
          f"{int(contoh['unit_terjual'].iloc[0])}, omzet {int(contoh['omzet'].iloc[0])}")

== 1. Memuat CSV mentah ==
bentuk: 546 baris x 4 kolom
outlet              str
tanggal             str
unit_terjual    float64
omzet           float64

== 2. Konversi tanggal dan sort index ==
dtype tanggal : datetime64[us] | NaT: 0
index terurut : True

== 3. Tanggal ganda ==
baris duplikat persis   : 8
setelah drop_duplicates : 538 baris
pasangan (outlet, tanggal) ganda tersisa: 0

== 4. Tanggal hilang per outlet ==
Cihampelas : 4 tanggal hilang
Kemang     : 3 tanggal hilang
Malioboro  : 4 tanggal hilang
total: 11 dari 549 outlet-hari

== 5. Nilai tidak valid ==
omzet 0 atau negatif : 6
omzet NaN            : 5
unit_terjual NaN     : 3

== 6. Lengkapi kalender dan isi nilai ==
bentuk akhir  : 549 baris x 3 kolom
NaN tersisa   : 0
dtype akhir   : unit_terjual int64, omzet int64
contoh terisi : Kemang 2026-05-19 -> unit_terjual 432, omzet 4649050