TIME SERIES

Dosen Pengampu: Riko Maiyudi ST,MT.

Pengantar Rangkaian Waktu
● Deret waktu mengacu pada urutan titik data yang
dikumpulkan atau dicatat sepanjang waktu, biasanya
secara berkala.
● Mereka berguna untuk memahami bagaimana data
berubah seiring waktu dan mengidentifikasi tren,
pola, dan anomali.
● Contoh data deret waktu antara lain harga saham,
pembacaan suhu, dan data penjualan harian.
● Menganalisis data deret waktu memerlukan alat dan
teknik khusus yang dirancang untuk menangani sifat
sekuensial data.

Photo by Pexels
Konsep Statistik untuk Analisis
Rangkaian Waktu
● Stasioneritas: Asumsi mendasar dalam analisis deret
waktu adalah sifat stasioner, yaitu sifat statistik
suatu deret waktu tetap konstan sepanjang waktu.
● Autokorelasi: Ini mengukur hubungan antara
pengamatan pada titik waktu yang berbeda,
membantu mengidentifikasi ketergantungan dan
pola dalam data.
● Musiman: Banyak rangkaian waktu menunjukkan
pola berulang atau komponen musiman yang perlu
dipertimbangkan selama analisis.
● Tren: Deret waktu sering kali menampilkan tren,
yaitu pola jangka panjang yang menunjukkan
peningkatan, penurunan, atau stabilitas yang
konsisten dari waktu ke waktu.
Teknik Visualisasi Deret Waktu
● Bagan Garis: Metode visualisasi umum untuk data
deret waktu, yang menunjukkan nilai yang diplot
terhadap waktu pada garis kontinu.
● Dekomposisi Musiman: Membantu memecah
rangkaian waktu menjadi tren, musiman, dan
komponen sisa, membantu memahami pola yang
mendasarinya.
● Peta Panas: Berguna untuk memvisualisasikan
perubahan dalam rangkaian waktu di berbagai
dimensi, memungkinkan perbandingan berbagai
variabel dari waktu ke waktu.
● Analisis Spektral: Suatu teknik yang menganalisis
komponen frekuensi suatu deret waktu, sering
digunakan untuk mendeteksi pola periodik.

Photo by Pexels
Peramalan dalam Analisis
Rangkaian Waktu
● Rata-Rata Pergerakan: Metode populer untuk
menghaluskan gangguan dan menangkap tren atau
pola yang mendasari data deret waktu.
● Pemulusan Eksponensial: Menerapkan bobot
eksponensial pada observasi terkini dalam suatu
deret waktu, sehingga nilai terkini menjadi lebih
penting.
● Model ARIMA: Menggabungkan komponen
autoregresif (AR), rata-rata bergerak (MA), dan
diferensiasi (I) untuk memodelkan dan
memperkirakan data deret waktu.
● Pendekatan Pembelajaran Mesin: Memanfaatkan
algoritme seperti LSTM (Memori Jangka Pendek
Panjang) dan jaringan saraf untuk perkiraan deret
waktu yang akurat.

Photo by Pexels
Mendeteksi Anomali dan
Pencilan
● Deteksi Pencilan: Mengidentifikasi titik data yang
menyimpang secara signifikan dari perilaku yang
diharapkan, yang dapat memberikan wawasan
berharga dan menyoroti potensi anomali.
● Deteksi Titik Perubahan: Menemukan perubahan
atau pergeseran mendadak dalam rangkaian waktu,
memungkinkan penentuan kapan dan bagaimana
pola atau perilaku berubah.
● Algoritma Deteksi Anomali: Menggunakan teknik
statistik, metode pengelompokan, atau algoritma
pembelajaran mesin untuk mendeteksi anomali
dalam deret waktu.
● Area Aplikasi: Deteksi anomali dalam rangkaian
waktu menemukan aplikasi antara lain dalam deteksi
penipuan, pemantauan jaringan, dan pemeliharaan
prediktif.

Photo by Pexels
Dekomposisi Rangkaian Waktu
● Komponen Tren: Mewakili pola atau arah jangka
panjang yang mendasari suatu rangkaian waktu,
membantu dalam memahami pertumbuhan atau
penurunannya.
● Komponen Musiman: Menangkap fluktuasi periodik
atau pola musiman yang berulang secara berkala,
memberikan wawasan tentang musiman data.
● Komponen Sisa: Memperhitungkan fluktuasi acak
atau gangguan yang tersisa setelah tren dan
musiman dihilangkan, sehingga memungkinkan
analisis lebih lanjut.
● Metode Dekomposisi: Berbagai teknik, seperti
dekomposisi aditif dan perkalian, digunakan untuk
mengekstrak komponen-komponen ini dari deret
waktu.

Photo by Pexels
Analisis Rangkaian Waktu di
bidang Ekonomi
● Model Ekonometrika:
● Menerapkan analisis deret waktu untuk mempelajari
data ekonomi seperti PDB, tingkat inflasi, dan tren
pasar saham, sehingga meningkatkan pengambilan
keputusan kebijakan.
● Kointegrasi: Menyelidiki hubungan keseimbangan
jangka panjang antara dua atau lebih variabel
ekonomi, membantu memahami saling
ketergantungannya.
● Kausalitas Granger: Menilai hubungan sebab akibat
antara dua variabel deret waktu, memungkinkan
identifikasi variabel terdepan atau tertinggal.
● Peramalan Rangkaian Waktu: Memprediksi tren
ekonomi masa depan, memungkinkan perencanaan,
penganggaran, dan perumusan kebijakan yang
efektif.

Photo by Pexels
Aplikasi dalam Pembelajaran
Mesin
● Prediksi Urutan: Memanfaatkan analisis deret waktu
untuk memperkirakan pengamatan atau peristiwa di
masa depan, berkontribusi pada pemodelan prediktif
dalam pembelajaran mesin.
● Arsitektur Pembelajaran Mendalam: Recurrent
Neural Networks (RNNs) dan Convolutional Neural
Networks (CNNs) unggul dalam memproses dan
menganalisis data sekuensial.
● Analisis Sentimen: Menganalisis data time series
yang berasal dari media sosial untuk mendeteksi
pola sentimen dan memprediksi perilaku pasar atau
opini publik.
● Alokasi Sumber Daya: Analisis rangkaian waktu
membantu mengalokasikan sumber daya yang
langka berdasarkan pola dan prediksi masa lalu,
sehingga mengoptimalkan efisiensi.

Photo by Pexels
Aplikasi Dunia Nyata
● Keuangan: Analisis deret waktu memainkan peran
penting dalam prediksi pasar saham, optimalisasi
portofolio, dan strategi manajemen risiko.
● Ilmu Iklim: Menganalisis catatan suhu, pola curah
hujan, dan data kelautan dari waktu ke waktu untuk
memahami perubahan iklim dan dampaknya.
● Layanan Kesehatan: Mengungkap tren data pasien,
memprediksi wabah penyakit, dan mengoptimalkan
strategi pengobatan berdasarkan analisis rangkaian
waktu.
● Peramalan Energi: Memahami pola konsumsi energi
dan memprediksi permintaan di masa depan untuk
perencanaan dan alokasi sumber daya yang efektif.

Photo by Pexels
THANKYOU