Build your ultimate AI agent
Deskripsi Kursus
Gunakan Peramalan di R untuk Pengambilan Keputusan Berbasis Data
Kursus ini memberikan pengenalan tentang peramalan deret waktu menggunakan R.Peramalan melibatkan pembuatan prediksi tentang masa depan. Hal ini diperlukan dalam banyak situasi, seperti memutuskan apakah akan membangun pembangkit listrik baru dalam sepuluh tahun ke depan atau menjadwalkan staf di pusat panggilan minggu depan.
Perkiraan mungkin diperlukan beberapa tahun sebelumnya (untuk investasi modal), atau hanya beberapa menit sebelumnya (untuk rute telekomunikasi). Terlepas dari kondisi atau jangka waktu yang terlibat, peramalan yang andal sangat penting untuk pengambilan keputusan yang didasarkan pada data.
Bangun Model Peramalan Akurat dengan ARIMA dan Penhalusan Eksponensial
Anda akan memulai kursus ini dengan membuat objek seri waktu di R untuk memplot data Anda dan mengidentifikasi tren, musiman, dan siklus berulang. Anda akan diperkenalkan dengan konsep white noise dan mempelajari cara melakukan uji Ljung-Box untuk memastikan keacakan sebelum melanjutkan ke bab berikutnya, yang menjelaskan metode benchmarking dan akurasi perkiraan.Kemampuan untuk menguji dan mengukur akurasi perkiraan Anda sangat penting untuk mengembangkan model yang dapat digunakan. Mata kuliah ini membahas berbagai metode sebelum membahas lebih lanjut tentang smoothing eksponensial dan model ARIMA, yang merupakan dua pendekatan paling umum digunakan dalam peramalan deret waktu.
Sebelum Anda menyelesaikan kursus ini, Anda akan belajar cara menggunakan model ARIMA lanjutan untuk memasukkan informasi tambahan ke dalamnya, seperti hari libur dan aktivitas pesaing.
Prasyarat
Kurikulum
Garis besar kursus
1
Menjelajahi dan memvisualisasikan deret waktu di R
Hal pertama yang perlu dilakukan dalam setiap tugas analisis data adalah memvisualisasikan data. Grafik memungkinkan banyak karakteristik data dapat terlihat, termasuk pola, pengamatan yang tidak biasa, dan perubahan dari waktu ke waktu. Karakteristik yang tampak pada plot data tersebut kemudian harus, sejauh mungkin, diakomodasikan ke dalam metode peramalan yang akan digunakan.
- Selamat Datang di Peramalan Menggunakan R50 XP
- Membuat objek deret waktu di R100 XP
- Plot deret waktu100 XP
- Plot musiman100 XP
- Tren, musiman, dan siklus50 XP
- Autokorelasi deret waktu non-musiman100 XP
- Autokorelasi deret waktu musiman dan siklik100 XP
- Cocokkan ACF dengan deret waktunya50 XP
- White noise50 XP
- Harga saham dan white noise100 XP
2
Metode tolok ukur dan akurasi prakiraan
Pada bab ini, Anda akan mempelajari perangkat umum yang berguna untuk berbagai situasi peramalan. Bab ini akan menjelaskan beberapa metode untuk peramalan tolok ukur, metode untuk memeriksa apakah suatu metode peramalan telah memanfaatkan informasi yang tersedia dengan memadai, serta metode untuk mengukur akurasi prakiraan. Setiap alat yang dibahas dalam bab ini akan digunakan berulang kali pada bab-bab berikutnya saat Anda mengembangkan dan mengeksplorasi beragam metode peramalan.
3
Pemulusan eksponensial
Prakiraan yang dihasilkan menggunakan metode pemulusan eksponensial merupakan rata-rata berbobot dari pengamatan masa lalu, dengan bobot yang menurun secara eksponensial seiring semakin lamanya pengamatan. Dengan kata lain, semakin baru pengamatan, semakin tinggi bobot yang terkait. Kerangka kerja ini menghasilkan prakiraan yang andal dengan cepat dan untuk berbagai jenis deret waktu, yang merupakan keunggulan besar dan sangat penting bagi aplikasi bisnis.
4
Peramalan dengan model ARIMA
Model ARIMA menyediakan pendekatan lain untuk peramalan deret waktu. Pemulusan eksponensial dan model ARIMA adalah dua pendekatan yang paling banyak digunakan untuk peramalan deret waktu, dan memberikan pendekatan yang saling melengkapi terhadap permasalahan tersebut. Sementara model pemulusan eksponensial didasarkan pada deskripsi tren dan musiman dalam data, model ARIMA bertujuan menggambarkan autokorelasi dalam data.
5
Metode lanjutan
Model deret waktu pada bab-bab sebelumnya bekerja dengan baik untuk banyak deret waktu, tetapi sering kali kurang cocok untuk data mingguan atau per jam, dan tidak memungkinkan penyertaan informasi lain seperti dampak hari libur, aktivitas pesaing, perubahan peraturan, dan sebagainya. Pada bab ini, Anda akan meninjau beberapa metode yang menangani kemusiman yang lebih rumit, serta mempertimbangkan cara memperluas model ARIMA agar memungkinkan informasi lain disertakan di dalamnya.
R
Peramalan di R
Kursus
Selesai
