Pengantar Analisis Deret Waktu

Analisis deret waktu digunakan untuk mempelajari titik data yang dikumpulkan dari waktu ke waktu serta mengidentifikasi tren, musiman, dan pola.

Memuat Data Deret Waktu

Gunakan fungsi ts() untuk membuat objek deret waktu dalam R.

data <- ts(c(100, 120, 130, 150, 170, 180), start=c(2020,1), frequency=12)
plot(data, main='Time Series Data')

Menguraikan Deret Waktu

Fungsi decompose() membagi deret waktu menjadi komponen tren, musiman, dan acak.

decomposed <- decompose(data)
plot(decomposed)

Mengidentifikasi Tren

Rata-rata bergerak menghaluskan fluktuasi untuk menampilkan tren jangka panjang.

library(zoo)
trend <- rollmean(data, k=3, fill=NA)
plot(data, type='l')
lines(trend, col='red', lwd=2)

Mendeteksi Musiman

Musiman merujuk pada pola yang berulang dalam interval tetap.

plot(decomposed$seasonal, main='Seasonal Component')

Autokorelasi dalam Deret Waktu

Fungsi acf() mengukur korelasi antara nilai masa lalu dan nilai saat ini.

acf(data, main='Autocorrelation Plot')

Peramalan dengan ARIMA

ARIMA (AutoRegressive Integrated Moving Average) adalah model peramalan deret waktu yang populer.

library(forecast)
model <- auto.arima(data)
forecasted <- forecast(model, h=5)
plot(forecasted)

Mengevaluasi Akurasi Peramalan

Gunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) untuk mengukur akurasi peramalan.

accuracy(forecasted)

Ringkasan

Dalam pelajaran ini, Anda telah mempelajari:

• Cara membuat dan menganalisis data deret waktu.
• Cara mendeteksi tren, musiman, dan autokorelasi.
• Cara melakukan peramalan menggunakan ARIMA dan mengevaluasi prediksi.