Peramalan Deret Waktu
Indeks tanggal, pola musiman, pemulusan eksponensial hingga Holt-Winters, model AR(1), galat, dan selang prediksi — dengan pandas dan spreadsheet.
Pelajaran pertama bisa dicoba tanpa akun. Selanjutnya pakai akun gratis agar progres, draft kode, dan sertifikatmu tersimpan.
Kelas untuk yang harus menjawab "berapa penjualan bulan depan?" dengan data, bukan tebakan. Dimulai dari menyiapkan data deret waktu di pandas (to_datetime, date_range, resample, pct_change dan pertumbuhan tahunan), lalu membaca komponen tren, musiman, siklus, dan acak termasuk lewat autokorelasi. Setelah itu rata-rata bergerak dan terpusat, dekomposisi aditif dan multiplikatif dengan indeks musiman, metode dasar (naif, naif musiman, rata-rata, drift), pemulusan eksponensial sederhana, metode tren Holt, dan Holt-Winters aditif yang dihitung sendiri, serta regresi tren linear dengan numpy, scipy, dan FORECAST.LINEAR. Galat MAE, RMSE, dan MAPE diukur pada data uji yang dipisah menurut waktu dan dengan validasi bergulir. Modul terakhir membahas stasioneritas dan differencing, fungsi autokorelasi yang dihitung dengan rumusnya, model AR(1), diagnosa residu, dan selang prediksi. Semua rumus dirujuk ke NIST/SEMATECH e-Handbook dan Forecasting: Principles and Practice.
5,0 ★ (Belum ada ulasan) · 20 pelajaran · 5 modul · ±302 menit
Bawa pulang keterampilannya
Yang akan kamu bisa setelah kelas ini
- Menyiapkan data deret waktu di pandas: mengubah teks jadi tanggal, membuat indeks tanggal, membangkitkan rentang tanggal, dan mengubah frekuensi dengan resample.
- Menghitung perubahan antarperiode dengan shift dan pct_change, termasuk pertumbuhan dibanding periode yang sama tahun lalu.
- Mengenali tren, musiman, siklus, dan komponen acak dari deskripsi pola dan dari autokorelasi.
- Menghitung rata-rata bergerak biasa dan terpusat, lalu memisahkan deret dengan dekomposisi klasik dan indeks musiman.
- Membuat ramalan pembanding dengan metode naif, naif musiman, rata-rata, dan drift.
- Menghitung pemulusan eksponensial sederhana, metode tren Holt, dan Holt-Winters aditif dengan rumus rekursifnya sendiri.
Lihat 4 hasil belajar lainnya
- Meramal dengan tren linear lewat numpy.polyfit, scipy.stats.linregress, dan FORECAST.LINEAR di spreadsheet.
- Mengukur ketepatan ramalan dengan MAE, RMSE, dan MAPE pada data uji yang dipisah menurut waktu, termasuk validasi bergulir.
- Menilai stasioneritas, membuat deret selisih, dan menghitung autokorelasi lag k dengan rumusnya sendiri.
- Menaksir model AR(1) dengan regresi pada lag, memeriksa residunya, dan melaporkan ramalan beserta selang prediksi 95%.
Untuk siapa
Staf perencanaan stok dan penjualan, analis data pemula, pemilik usaha yang mencatat penjualan harian, dan mahasiswa yang perlu meramal data bulanan tanpa perangkat lunak statistik berbayar.
Prasyarat
Analisis Data dengan Python: Series, DataFrame, memilih kolom, dan groupby., Statistika dan Peluang: rata-rata dan korelasi.
Alat yang perlu disiapkan
- Browser modern. Python (Pyodide) dengan pandas, numpy, dan scipy serta lembar kerja berjalan di halaman pelajaran, tanpa pemasangan.
Tempat berlatih
Coba, periksa, lalu lanjutkan.
67 latihan di 20 pelajaran. Jawaban diperiksa langsung di halaman materi; petunjuk dibuka bertahap.
Jalur belajar kelas ini
Kurikulum
5 modul · 20 pelajaran · ±302 menit
03Metode ramalan dan pemulusan eksponensial5 pelajaran
05Stasioneritas, model AR(1), dan selang prediksi3 pelajaran
Urutan pelajaran tidak dikunci.
Sertifikat kelas
Selesaikan kelasnya, sertifikat ini atas namamu.
- Nama lengkapmu dan judul kelas tercetak di sertifikat.
- Kode dan QR yang bisa dicek siapa saja di kelasgratis.com/verifikasi.
- Sekali klik ke profil LinkedIn, atau unduh PNG dan PDF.
Bukti penyelesaian materi, bukan akreditasi atau sertifikasi kompetensi.
Pertanyaan yang sering muncul
Apakah kelas ini memakai statsmodels atau Prophet?
Tidak. Python di halaman pelajaran memuat pandas, numpy, dan scipy, jadi dekomposisi klasik, pemulusan eksponensial sederhana, metode Holt, Holt-Winters aditif, autokorelasi, dan model AR(1) ditulis sendiri dengan rumusnya. Cara ini membuat setiap angka ramalan bisa ditelusuri langkah demi langkah.
Apakah ARIMA dibahas?
Sebagian. Modul terakhir membahas bahan dasarnya: stasioneritas, differencing, fungsi autokorelasi, autokorelasi parsial sebagai konsep, dan model autoregresif orde satu yang ditaksir dengan regresi pada lag. Model ARIMA lengkap dengan komponen rata-rata bergerak dan pemilihan orde otomatis butuh perangkat lunak statistik yang tidak tersedia di halaman pelajaran.
Mengapa ada latihan spreadsheet di kelas Python?
Rata-rata bergerak, galat mutlak rata-rata, dan tren linear lewat FORECAST.LINEAR sering dihitung langsung di spreadsheet kantor. Latihan lembar kerja memakai rumus yang sama dengan versi Python-nya, sehingga hasil keduanya bisa dicocokkan.
Dari mana rumus dan definisi di kelas ini berasal?
Definisi deret waktu, rata-rata bergerak, dan pemulusan eksponensial dirujuk ke NIST/SEMATECH e-Handbook of Statistical Methods bagian 6.4. Metode dasar, dekomposisi klasik, metode Holt dan Holt-Winters, MAE, RMSE, MAPE, validasi bergulir, stasioneritas, model AR, diagnosa residu, dan selang prediksi dirujuk ke buku terbuka Forecasting: Principles and Practice edisi ketiga karya Hyndman dan Athanasopoulos. Semua data latihannya angka karangan.
Dari pengalaman belajar
Ulasan peserta
Apa yang membantu, dan apa yang masih bisa diperbaiki?
Ulasan berasal dari akun yang telah menyelesaikan setidaknya satu pelajaran. Bintang 1–3 ditinjau admin sebelum terbit; bintang 4–5 langsung terbit. Sebelum ada ulasan terbit, kelas menggunakan nilai awal admin 5,0. Setelahnya, rating mengikuti rata-rata ulasan yang sudah terbit.
Pengalamanmu bisa membantu peserta berikutnya.
Belum ada ulasan yang terbit untuk kelas ini.
Bagikan pengalaman belajarmu
Masuk dan selesaikan satu pelajaran untuk menulis ulasan. Masuk ke akun →
Setelah kelas ini
Jalur yang memuat kelas ini
Revisi materi terakhir: 28 Sep 2026. Laporan kesalahan bisa dikirim dari setiap halaman pelajaran.