Peramalan Deret Waktu dengan Prophet, NeuralProphet, dan LSTM

Daftar Isi

Pendahuluan

Peramalan deret waktu (time series forecasting) merupakan salah satu penerapan ilmu data yang paling berdampak di dunia industri. Mulai dari memprediksi harga saham, konsumsi energi, hingga meramalkan permintaan produk dan beban server, kemampuan untuk mengantisipasi nilai masa depan berdasarkan pola historis sangatlah berharga.

Tutorial ini membahas tiga pendekatan andal untuk peramalan deret waktu: Facebook Prophet untuk dekomposisi aditif yang kokoh, NeuralProphet untuk peramalan berbasis jaringan saraf dengan autoregresi, dan LSTM (Long Short-Term Memory) yang dibangun dengan PyTorch untuk menangkap dependensi sekuensial yang kompleks.

Di akhir tutorial ini, Anda akan mampu membangun, mengevaluasi, dan membandingkan model peramalan berkualitas produksi menggunakan ketiga framework tersebut.

Prasyarat

• Python 3.9+
• Pemahaman dasar statistika (rata-rata, variansi, korelasi)
• Familiaritas dengan pandas dan matplotlib

Instalasi paket yang diperlukan:

pip install prophet neuralprophet torch pandas numpy matplotlib scikit-learn

Dasar-Dasar Deret Waktu

Deret waktu adalah urutan titik data yang diindeks berdasarkan urutan waktu. Sebelum membangun model apa pun, Anda harus memahami komponen-komponen utama yang menyusun sinyal deret waktu.

Komponen Deret Waktu

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Membuat deret waktu sintetis dengan komponen yang diketahui
np.random.seed(42)
dates = pd.daterange(start="2020-01-01", periods=730, freq="D")


tren = np.linspace(50, 150, 730)
musiman = 20  np.sin(2  np.pi  np.arange(730) / 365.25)

noise = np.random.normal(0, 5, 730)

y = tren + musiman + noise

df = pd.DataFrame({"ds": dates, "y": y})

fig, axes = plt.subplots(4, 1, figsize=(14, 10), sharex=True)
axes[0].plot(dates, y, color="steelblue")
axes[0].settitle("Deret Waktu Teramati")
axes[1].plot(dates, tren, color="darkorange")
axes[1].settitle("Komponen Tren")

axes[2].plot(dates, musiman, color="green")
axes[2].settitle("Komponen Musiman")
axes[3].plot(dates, noise, color="red", alpha=0.6)
axes[3].settitle("Noise / Residu")

plt.tightlayout()
plt.savefig("dekomposisideretwaktu.png", dpi=150)
plt.show()

from statsmodels.tsa.stattools import adfuller

hasil = adfuller(df["y"].values)
print(f"Statistik ADF: {hasil[0]:.4f}")
print(f"p-value: {hasil[1]:.4f}")

if hasil[1] < 0.05:
    print("Deret bersifat stasioner (tolak hipotesis nol).")
else:
    print("Deret bersifat non-stasioner. Pertimbangkan differencing.")

tanggalbatas = "2021-07-01"
datalatih = df[df["ds"] < tanggalbatas].copy()

datauji = df[df["ds"] >= tanggalbatas].copy()


print(f"Sampel pelatihan: {len(datalatih)}")
print(f"Sampel pengujian: {len(datauji)}")