Hubungi Kami

Kerangka Materi

Pengenalan terhadap Analisis Rangkaian Waktu

  • Gambaran umum mengenai data rangkaian waktu
  • Komponen-komponen dalam data rangkaian waktu: tren, siklus musiman, dan gangguan acak
  • Pengaturan lingkungan Google Colab untuk analisis rangkaian waktu

Analisis Data Eksploratif pada Rangkaian Waktu

  • Visualisasi data rangkaian waktu
  • Penguraian komponen-komponen dalam data rangkaian waktu
  • Identifikasi pola musiman serta trennya

Model ARIMA untuk Peramalan Rangkaian Waktu

  • Konsep dasar model ARIMA (AutoRegressive Integrated Moving Average)
  • Cara memilih parameter yang tepat untuk model ARIMA
  • Implementasi model ARIMA dalam Python

Pengenalan Model Prophet dalam Peramalan Rangkaian Waktu

  • Gambaran umum mengenai penggunaan Prophet untuk peramalan
  • Implementasi model Prophet di Google Colab
  • Penanganan hari libur serta acara khusus dalam proses peramalan

Teknik Peramalan Tingkat Lanjut

  • Penanganan data yang hilang dalam rangkaian waktu
  • Peramalan menggunakan beberapa variabel secara bersamaan
  • Modifikasi hasil peramalan dengan memasukkan faktor eksternal

Evaluasi dan Penyempurnaan Model Peramalan

  • Metrik evaluasi yang digunakan dalam peramalan rangkaian waktu
  • Cara menyempurnakan model ARIMA serta Prophet
  • Proses validasi silang dan pengujian kebelakang untuk memverifikasi akurasi model

Aplikasi Nyata Analisis Rangkaian Waktu

  • Studi kasus mengenai peramalan data rangkaian waktu
  • Latihan praktis dengan kumpulan data nyata
  • Langkah selanjutnya dalam pengembangan analisis rangkaian waktu menggunakan Python

Penutup dan Arah Pengembangan Selanjutnya

Persyaratan

  • Pengetahuan dasar pemrograman Python pada tingkat menengah
  • Pemahaman akan konsep statistik serta teknik analisis data dasar

Target Peserta

  • Analis data
  • Ilmuwan data
  • Para profesional yang bekerja dengan data rangkaian waktu
 21 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (3)

Kursus Mendatang

Kategori Terkait