Time Series Forecasting

Apa Itu Time Series Forecasting?

Kalau kamu pernah lihat grafik penjualan harian, harga saham, atau suhu udara dari waktu ke waktu, kamu udah lihat Time Series. Time Series Forecasting adalah seni dan ilmu memprediksi bagian grafik itu yang belum terjadi.

Bedanya dengan prediksi biasa: di Time Series, urutan data itu penting banget. Data hari Senin mempengaruhi prediksi hari Selasa. Ada pola yang berulang setiap minggu, bulan, atau tahun. Ini yang bikin Time Series punya karakteristik unik dibanding masalah ML lainnya.

Komponen Time Series

Sebelum bisa forecast, penting ngerti dulu apa yang menyusun sebuah Time Series:

Komponen	Deskripsi	Contoh
Trend	Pergerakan naik atau turun jangka panjang	Penjualan e-commerce terus naik tiap tahun
Seasonality	Pola berulang dalam periode tertentu	Penjualan tinggi tiap Lebaran atau Natal
Cyclicality	Fluktuasi jangka panjang yang nggak reguler	Siklus ekonomi yang mempengaruhi demand
Noise	Variasi acak yang nggak bisa diprediksi	Lonjakan penjualan karena viral dadakan

Pendekatan dan Model

Kondisi	Rekomendasi Model
Data sedikit, pattern sederhana	ARIMA atau Exponential Smoothing
Ada seasonality jelas dan holiday effects	Prophet
Banyak time series sekaligus (hierarchical)	LightGBM atau model global
Pola sangat kompleks, data berlimpah	LSTM atau Temporal Fusion Transformer

Model Statistik Klasik: ARIMA solid untuk data yang stasioner. SARIMA bisa handle seasonality. Exponential Smoothing kasih bobot lebih besar ke data terbaru dan seringkali efektif untuk kebutuhan bisnis sehari-hari.

Model ML Modern: Prophet dari Meta user-friendly dan bisa handle holiday effects. XGBoost atau LightGBM bisa dipakai kalau fitur-fitur lag dan window statistics direkayasa dengan baik.

Konsep Penting

Stationarity: Banyak model statistik butuh data yang stasioner (mean dan varian konstan sepanjang waktu). Kalau nggak, perlu transformasi dulu.

Look-ahead bias: Hati-hati nggak pakai informasi masa depan saat training. Ini jenis data leakage yang spesifik untuk Time Series dan bisa bikin model kelihatan bagus padahal nggak valid.

Evaluasi yang benar: Jangan split data secara random! Selalu pakai time-based split: data lama untuk training, data terbaru untuk testing. Walk-forward validation lebih robust lagi karena mensimulasikan kondisi produksi yang nyata.

Kualitas forecast biasanya menurun seiring makin panjang horizon prediksi. Prediksi besok jauh lebih akurat dari prediksi 3 bulan lagi, dan itu normal.