Tutorial Belajar Rapidminer (Bagian 24) - Membuat Permodelan Time Series Forecasting

Senin, 06 Nopember 2017 16:18:18 ,Oleh ,Dilihat : 55 x

Diasuh oleh Dr. Ir. Agus Wibowo, M.Kom, M.Si, M.M

       Pada tutorial kali ini kita akan membahas Time Series Forecasting (Analisis Deret Berkala) : yaitu memperkirakan nilai dalam deret waktu di masa depan berdasarkan data masa lalu dengan menggunakan teknik windowing. Analisis Deret Berkala (time series analysis) adalah suatu metode kuantitatif untuk menentukan pola data masa lampau yang telah dikumpulkan secara teratur menurut urutan waktu kejadian. Pola masa lalu ini dapat digunakan sebagai dasar pertimbangan untuk forecasting di masa yang akan datang.

Langkah 1.

1. Jalankan rapidminer, pilih template Time Series Forecasting


2. Memperoleh data dari beberapa pengukuran yang dikumpulkan dalam tiga tahun terakhir (operator "Get Data"). 

Berikut tampilan data untuk input model peramalan :

2. Pada operator "Set Role", atur parameter attribut name atur menjadi Date, sedangkan target role menjadi id


3. Kita menggunakan operator "Windowing for Training" untuk membuat jendela geser. Sebagai output, setiap baris berisi informasi tentang periode enam hari (ukuran jendela). Kita telah siap untuk memperkirakan perilaku jangka menengah.


Langkah 2.

1. Kita sekarang akan menggunakan operator "Sliding Window Validation" untuk memvalidasi model (dalam kasus ini adalah regresi linier).

2. Periksa ke dalam operator untuk melihat bagaimana model akan dilatih dan bagaimana kinerja akan dihitung. 


Pada akhirnya, kita akan memfilter atribut untuk menganalisis data asli dan prediksi, dengan membuang sisa "jendela". 


3. Kita menggunakan operator "Select Attributes" dengan attribute filter type diatur ke subset serta attributes yang dipilih adalah Date, label, prediction.

4. Pada operator " Forecasting performance" parameter horizon diatur ke 5 serta main criterion diatur ke first.

Operator  "Select Attribut" yang ke dua :


Hasil output yang diinginkan :

- Model, yang bisa diaplikasikan untuk memprediksi data di masa depan.

- Data dengan prediksi. Kemudian periksa grafik dengan "Series" sebagai style, "Date" sebagai dimensi indeks dan "Measure-0" (data awal) dan "label" (prediksi) dalam "Plot series". Keduanya saling berpasangan.

- Kinerja model  diukur menggunakan operator "Forecasting Performance" (di dalam validasi).

Langkah 3 :

1. Jalankan model , hasil dari tingkat keakuratan :

Hasil keakuratan menggunakan regresi linier

Hasil dari nilai prediksi  tanggal terhadap prediksi :


TOP