Pengenalan Time Series Analysis

Pengenalan Time Series Analysis

Pengenalan Time Series Analysis

Pada materi kali ini, kita akan membahas sedikit overview dari Time Series Analysis. Jika merujuk definisi ‘Time Series’ dari wikipedia:

 “A time series is a series of data points indexed (or listed or graphed) in time order”

Jadi, serangkaian titik-titik yang diindeks dalam urutan waktu disebut sebagai time series.

Jika dianalogikan dalam grafik, kita mempunyai 2 axis yang terdiri axis X adalah axis Y.

“axis X = Waktu dan axis Y = Nilai Aktual”


Deret waktu yang dapat di-plot dalam axis X yakni mengikuti satuan per:

“detik > menit > jam >  hari >  minggu > bulan > quarter >  tahun”

Biasanya alat-alat sensor pengukuran kualitas air, gas, kerusakan suatu alat produksi (pabrik) mengenerate data hampir dalam satuan detik. Namun berbeda halnya dengan data jumlah kecelakaan lalu lintas, kriminalitas, dan data statistik populasi yang dihitung dalam kurun waktu satuan hari/bulan/quarter/tahun.

Sebagai contoh, terdapat data aktual selama 10 tahun berupa kasus kecelakaan korban Meninggal Dunia (2011-2020). Untuk merepresentasikan data tersebut, grafik paling mudah untuk dipahami adalah ‘Line Chart’. Ada 3 kemungkinan pola garis yang akan terbentuk, berupa ‘Trend’, ‘Seasonal’, dan ‘Residual’.


Peneliti biasanya berharap pola garisnya ‘Trend (Naik/Turun)’ atau biasa disebut garis Linear, agar model forecast mudah mengenali polanya, namun faktanya justru fluktuatif atau biasa dikenal dengan garis Non-linear.

Dari kasus di atas, jika kita memaksakan menggunakan suatu algoritma forecasting yang sebenarnya hanya mampu mengenali pola-pola garis Trend, namun data aktual yang kita miliki adalah fluktuatif.

Maka, dapat dipastikan, pertemuan antara nilai forecast (prediksi) dengan nilai aktual akan menyimpang jauh

Apalagi, jika data aktual yang kita miliki dalam satuan waktu yang besar yakni “Tahun”, bukan jumlah kecelakaan dalam satuan waktu per hari/minggu/bulan. Kekurangannya, data yang kita miliki cukup sedikit hanya 5 poin (2011, 2012, 2013, 2014, dan 2015), dan algoritma forecasting akan sulit untuk membuat model forecast yang dapat mewakili pola dari data aktual, karena sedikit data history yang dipelajari.

Sebagai contoh, perbandingan antara jumlah data dalam kurun waktu 5 tahun terakhir dengan jumlah data dalam kurun waktu 60 bulan (5 Tahun), hal ini tentu akan memengaruhi banyaknya data aktual yang dapat dikumpulkan dan siap untuk dimodelkan.

“Sepengalaman penulis, semakin ‘kecil’ satuan waktu yang digunakan sebagai indeks pada axis X, maka data aktual yang akan ter-plot semakin ‘presisi’ dan akan memudahkan model forecast mengenali pola terhadap data aktual selanjutnya”

Untuk menambah pengetahuan dan informasi Anda terkait Time Series Analysis, penulis menyediakan free pdf di bawah ini. Selamat mempelajari.

72 total views, 2 views today

Be Sociable, Share!

Leave a Reply

Your email address will not be published. Required fields are marked *