Time Series Forecasting
Komponen time series, stationarity, ACF/PACF, smoothing, ARIMA, dan model ML/DL, pakai data finansial Indonesia.
Isi materi
- Komponen Time Series
- Stationarity
- Decomposition
- ACF & PACF
- Smoothing
- ARIMA/SARIMA
- Evaluation Metrics
- Split & Backtest
- Feature Engineering
- Tree-based Models
- Prophet
- Deep Learning
- Decision Guide
- Pitfalls
Istilah penting
- Time Series
- Data yang diurutkan berdasarkan waktu, misal harga kurs tiap bulan.
- Trend
- Arah pergerakan jangka panjang data, naik, turun, atau relatif datar.
- Seasonality
- Pola yang berulang di periode tetap, misal lonjakan inflasi tiap lebaran.
- Noise / Residual
- Fluktuasi acak yang tersisa setelah trend dan seasonality dipisahkan.
- Stationarity
- Sifat data yang mean, variance, dan pola autokorelasinya stabil sepanjang waktu.
- Differencing
- Mengurangi tiap titik data dengan titik sebelumnya, cara umum membuat series jadi stasioner.
- Decomposition
- Memecah series jadi komponen trend, seasonal, dan residual secara eksplisit.
- ACF (Autocorrelation Function)
- Mengukur seberapa mirip data dengan versi lag (mundur) dirinya sendiri.
- PACF (Partial Autocorrelation Function)
- Seperti ACF, tapi menghilangkan pengaruh lag-lag di antaranya.
- Lag
- Jarak mundur dalam satuan waktu, misal lag 1 = nilai satu periode sebelumnya.
- Moving Average
- Rata-rata dari beberapa titik data terakhir, dipakai untuk meredam noise.
- EWMA
- Exponentially weighted moving average, rata-rata bergerak yang memberi bobot lebih besar ke data terbaru.
- Holt-Winters
- Metode smoothing yang menangkap level, trend, dan seasonal sekaligus.
- ARIMA
- Model yang menggabungkan AutoRegressive, Integrated (differencing), dan Moving Average.
- SARIMA
- ARIMA yang ditambah komponen musiman (Seasonal).
- AR (AutoRegressive)
- Bagian model yang meregresikan nilai sekarang terhadap nilai masa lalunya sendiri.
- MA (Moving Average, di ARIMA)
- Bagian model yang meregresikan nilai sekarang terhadap error masa lalu.
- MAE
- Mean Absolute Error, rata-rata besar kesalahan prediksi tanpa memandang arah.
- RMSE
- Root Mean Squared Error, mirip MAE tapi menghukum kesalahan besar lebih berat.
- MAPE
- Mean Absolute Percentage Error, rata-rata kesalahan dalam bentuk persentase.
- MASE
- Mean Absolute Scaled Error, MAE yang dibandingkan terhadap forecast naif sebagai baseline.
- Train-Test Split
- Membagi data jadi bagian latih dan bagian uji; untuk time series harus berbasis urutan waktu.
- Walk-forward Validation
- Backtesting dengan mengulang split beberapa kali, window latih makin panjang tiap iterasi.
- Overfitting
- Model terlalu hafal pola data latih sehingga gagal generalisasi ke data baru.
- Data Leakage
- Bocornya informasi dari data yang seharusnya belum diketahui model saat training.
- Feature Engineering
- Mengubah data mentah jadi kolom-kolom fitur yang bisa dipakai model ML.
- Lag Feature
- Kolom fitur berisi nilai time series dari beberapa periode ke belakang.
- Rolling Statistics
- Statistik (mean, std, dsb) yang dihitung dari jendela data bergerak.
- Tree-based Model
- Model ML seperti XGBoost/LightGBM yang membangun banyak pohon keputusan.
- Prophet
- Model forecasting dari Meta yang menggabungkan trend, seasonality, dan efek hari libur.
- LSTM
- Jenis jaringan saraf berulang yang bisa mengingat pola jangka panjang di data sekuensial.
- Transformer
- Arsitektur deep learning berbasis attention, kini juga dipakai untuk forecasting.
- Additive Model
- Model yang menjumlahkan komponen trend + seasonal + noise.
- Multiplicative Model
- Model yang mengalikan komponen trend x seasonal x noise, dipakai saat amplitudo seasonal ikut membesar.