Learn AI with Python · Pelajaran

Model ARIMA dan SARIMA

Komponen AR, MA, dan I, pemilihan parameter dengan ACF/PACF, serta pencocokan ARIMA menggunakan statsmodels.

Model ARIMA dan SARIMA adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa Itu ARIMA?

ARIMA adalah singkatan dari AutoRegressive Terintegrasi dan Rata-Rata Bergerak. Model ini memodelkan deret stasioner menggunakan tiga bagian: autoregresi (p), integrasi atau diferensiasi (d), dan rata-rata bergerak dari galat (q), yang ditulis sebagai ARIMA(p, d, q).

AR(p): Autoregresif

Komponen AR memprakirakan nilai berikutnya dari kombinasi linear p nilai sebelumnya. Jika nilai hari ini sangat bergantung pada beberapa hari terakhir, Anda memerlukan p yang bukan nol.

Contoh: p=2 menggunakan dua pengamatan terbaru sebagai prediktor.

I(d): Integrasi / Diferensiasi

Komponen I adalah orde diferensiasi d yang diperlukan untuk membuat deret menjadi stasioner, tepat seperti nilai d yang Anda temukan melalui uji ADF pada pelajaran sebelumnya. d=1 menghilangkan tren linear.

MA(q): Rata-Rata Bergerak

Komponen MA memodelkan nilai berikutnya menggunakan q galat prakiraan sebelumnya (guncangan). Komponen ini menangkap koreksi derau jangka pendek yang tidak ditangani bagian AR.

Menyesuaikan ARIMA di statsmodels

Masukkan deret Anda sebagai endog dan tupel orde yang dipilih.

from statsmodels.tsa.arima.model import ARIMA

model = ARIMA(endog=series, order=(p, d, q))
fit = model.fit()
print(fit.summary())

Membuat Prakiraan

Setelah disesuaikan, buat nilai masa depan dengan forecast atau get_forecast, yang juga memberikan interval kepercayaan.

preds = fit.forecast(steps=12)        # next 12 periods
fc = fit.get_forecast(steps=12)
ci = fc.conf_int()                    # confidence intervals

Grafik ACF dan PACF

Untuk memilih p dan q, periksa grafik autokorelasi:

ACF (autokorelasi) membantu memilih q (orde MA).
PACF (autokorelasi parsial) membantu memilih p (orde AR).

Carilah jeda ketika korelasi terputus secara tajam.

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

plot_acf(series.diff().dropna())
plot_pacf(series.diff().dropna())

AIC dan BIC untuk Memilih Orde

AIC dan BIC menilai kesesuaian model sekaligus memberikan penalti terhadap kompleksitas. Nilai yang lebih rendah lebih baik. Sesuaikan beberapa kandidat (p,d,q) dan pilih yang memiliki AIC/BIC terendah; BIC memberikan penalti yang lebih kuat untuk parameter tambahan.

print("AIC:", fit.aic)
print("BIC:", fit.bic)

Pencarian Kisi untuk Menentukan Orde

Pendekatan yang umum adalah mengulang berbagai rentang kecil p, d, dan q, menyesuaikan masing-masing model, lalu menyimpan model dengan AIC terendah. Pustaka seperti pmdarima.auto_arima mengotomatiskan pencarian ini.

best = None
for p in range(3):
    for q in range(3):
        try:
            f = ARIMA(series, order=(p, 1, q)).fit()
            if best is None or f.aic < best[1]:
                best = ((p, 1, q), f.aic)
        except Exception:
            pass
print(best)

SARIMA untuk Pola Musiman

SARIMA menambahkan komponen musiman: (P, D, Q, m), dengan m sebagai panjang musim, yaitu 12 untuk data bulanan-tahunan. Model ini menangani pola berulang yang tidak dapat ditangani ARIMA biasa.

from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(series,
    order=(1, 1, 1),
    seasonal_order=(1, 1, 1, 12))
fit = model.fit()

ARIMA vs SARIMA

ARIMA(p,d,q): tren dan ketergantungan jangka pendek, tanpa pola musiman.
SARIMA(p,d,q)(P,D,Q,m): menambahkan komponen musiman untuk siklus berulang.

Jika penguraian Anda menunjukkan pola musiman yang jelas, pilih SARIMA.

Pemeriksaan Singkat

Uji pengetahuan Anda tentang ARIMA.

Rangkuman

Anda telah mempelajari ARIMA(p,d,q): AR menggunakan nilai sebelumnya, I adalah orde diferensiasi, dan MA menggunakan galat sebelumnya. Anda menyesuaikan model dengan ARIMA(endog, order=...), memilih orde melalui ACF/PACF dan AIC/BIC, lalu memperluasnya menjadi SARIMA untuk pola musiman. Berikutnya: Prophet untuk prakiraan otomatis.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Model ARIMA dan SARIMA” gratis?

Ya — teks lengkap “Model ARIMA dan SARIMA” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Model ARIMA dan SARIMA”?

Komponen AR, MA, dan I, pemilihan parameter dengan ACF/PACF, serta pencocokan ARIMA menggunakan statsmodels. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.

Berapa lama pelajaran “Model ARIMA dan SARIMA” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

← Kembali ke Learn AI with Python