Peramalan di R

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.

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.

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.

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.