Pengenalan time series statistik

Pada modul ini, peserta akan mempelajari dasar-dasar analisis time series statistik, yaitu teknik untuk memahami dan memprediksi data yang berubah seiring waktu. Berbeda dari regresi biasa yang fokus pada hubungan antar variabel, time series memanfaatkan pola dari satu variabel yang diamati secara berkala untuk memprediksi nilai di masa depan. Peserta akan dikenalkan pada konsep pola tren, musiman, serta bagaimana data historis dapat digunakan untuk peramalan menggunakan pendekatan statistik seperti Moving Average, ARIMA, dan Exponential Smoothing.

Moving Average

Modul ini memperkenalkan metode Moving Average, yaitu teknik sederhana dalam analisis time series yang digunakan untuk melihat tren dengan cara meratakan nilai-nilai sebelumnya. Pendekatan ini membantu mengurangi noise atau fluktuasi acak, sehingga arah pergerakan data dapat terlihat lebih jelas, apakah sedang naik, turun, atau stabil. Dalam modul ini, peserta akan mempelajari tiga jenis Moving Average: SMA, WMA, dan EMA, sekaligus memahami cara memilih metode yang paling sesuai berdasarkan tujuan analisis.

Arima

Modul ini membahas metode ARIMA, salah satu model statistik paling populer untuk menganalisis dan memprediksi data time series. ARIMA bekerja dengan memanfaatkan pola dari data masa lalu, baik dari nilai historis maupun dari kesalahan prediksi sebelumnya, untuk menghasilkan perkiraan yang lebih akurat. Peserta akan mempelajari tiga komponen utama ARIMA, yaitu AR (Autoregressive), I (Integrated), dan MA (Moving Average), serta cara menentukan parameter model agar sesuai dengan karakteristik data. Melalui contoh penerapan, peserta juga akan memahami bagaimana ARIMA digunakan dalam forecasting data yang memiliki tren namun belum menunjukkan pola musiman.

Exponential Smoothing

Modul ini membahas metode Exponential Smoothing, teknik peramalan time series yang memberikan bobot lebih besar pada data terbaru agar hasil prediksi lebih responsif terhadap perubahan. Berbeda dari Moving Average yang meratakan semua nilai secara setara, Exponential Smoothing menurunkan bobot data historis secara bertahap sehingga pola terkini lebih berpengaruh dalam perhitungan. Peserta akan mempelajari beberapa variannya, mulai dari Single Exponential Smoothing untuk data tanpa tren, Double Exponential Smoothing untuk data yang memiliki tren, hingga Holt-Winters yang mampu menangani pola musiman. Materi juga mencakup cara memilih model yang sesuai berdasarkan karakteristik data.

Submission

Bagian submission ini dirancang sebagai proyek akhir untuk menguji pemahaman peserta terhadap analisis time series berbasis statistik. Peserta akan menerapkan metode Exponential Weighted Moving Average (EWMA) untuk memprediksi nilai Total Amount pada dataset penjualan ritel. Melalui tugas ini, peserta diminta untuk melakukan tahapan analisis lengkap mulai dari membaca dan membersihkan data, membangun model peramalan, mengevaluasi hasil dengan metrik statistik, hingga menyajikan interpretasi dan visualisasi output. Proyek ini bertujuan melatih kemampuan peserta dalam menghubungkan konsep teori dengan praktik nyata, sekaligus membangun pola pikir analitis seperti seorang data analyst atau data scientist.