DATA TIME SERIES & DATA NON TIME SERIES
DATA TIME SERIES
1. Univariat
Analisis time series univariat
adalah data time series yang diambil dari satu peubah pengamatan. Pada jenis
ini dapat dimodelkan dalam beberapa metode seperti Autoregressive (AR), Moving
Average (MA), Autoregressive Moving Average (ARMA), ataupun Autoregressive
Integrated Moving Average (ARIMA).
2. Bivariat
Analisis time series bivariat adalah
suatu analisis yang diambil peubah tertentu yang hasilnya akan menjadi lebih
baik jika melibatkan peubah lainnya, dimana peubah lainnya ini dapat
menjelaskan keragaman dari peubah yang menjadi target analisis.
3. Multivariat
Analisis time
series multivariat adalah analisis yang suatu peubah
dalam pengamatan berkaitan dengan peubah lainnya yang tersusun dalam suatu
sistem yang saling terkait. Sehingga pengamatan suatu peubah tidak hanya
dipengaruhi oleh periode pengamatan sebelumya, namun juga dipengaruhi olehh
periode waktu sebelumnya pada pengamatan peubah lainnya. Analisis yang
digunakan pada time series multivariat ini dikenal dengan Vector Autoregressive (VAR) dan Cointegration.
Study Kasus :
- kasus nilai tukar dolar terhadap rupiah tadi misalnya, jika pada peramalan diperoleh bahwa nilai tukar dolar terhadap rupiah di masa yang akan datang meningkat (menurunnya nilai tukar rupiah/depresiasi) maka pemerintah perlu melakukan tindakan pencegahan untuk menghindari terjadinya depresiasi. Sebaliknya ketika nilai tukar dolar terhadap rupiah diramalkan akan turun, pemerintah dapat merencanakan kegiatan ekspor yang tentunya akan memberi keuntungan besar bagi pemasukan negara disaat mata uang rupiah menaik.
- Kasus pengukuran panjang seorang bayi perperiode waktu yang diduga dipengaruhi oleh berat bayi. Sehingga pada setiap pengamatan akan dicatat panjang serta berat bayi. Kasus yang seperti ini tergolong pada analisis time series bivariat yang dapat dianalisis menggunakan model fungsi transfer.
- Data upah Minimum Puerto Rico tahun 1950 – 1987
DATA NON TIME SERIES
Data memiliki beberapa pola, yang secara luas diklasifikasikan sebagai data sekuensial atau deret waktu dan data non deret waktu, yang sebagian besar tidak berurutan atau arbitrer. Analisis sentimen laporan teks, dokumen dan jurnal, novel & klasik mengikuti pola deret waktu, dalam arti, kata-kata itu sendiri mengikuti didahulukan sebagaimana diatur oleh tata bahasa dan kamus bahasa. Begitu juga masalah prediksi harga saham yang memiliki preseden dari prediksi periode waktu dan kondisi sosial ekonomi sebelumnya. Sedangkan data non-sekuensial tidak mengikuti pola dan kemunculan kata atau potongan informasi tidak mengikuti preseden, tetapi secara kolektif dapat memberi makna pada konteksnya. Data mungkin bukan dan tidak akan menjadi bagian dari kamus bahasa standar atau pustaka gambar, tetapi dapat berupa bahasa konvensi ad-hoc atau spesifikasi industri, tetapi yang secara kolektif akan menyampaikan konteks klasifikasi (label dalam terminologi ML).
Analisis ini memberikan pendekatan untuk
isi pidato atau tekstual dan/atau pesan yang tidak mengikuti dogma tata bahasa
standar atau aturan prioritas kata. Memperluasnya ke gambar patut dicoba dan
tidak tercakup dalam artikel ini.
Dalam hal analisis dan peramalan, ada
banyak ruang untuk mengkonsolidasikan data organisasi dari kumpulan data tidak
terstruktur yang berasal dari berbagai sumber seperti informasi pemasok,
penjualan regional, vendor, penyedia layanan, informasi pengeluaran untuk
berbagai produk, bahan baku, dan layanan. Dengan memberikan representasi vektor
atau embedding yang berarti untuk setiap bagian data, atau dengan memperlakukan
masing-masing sebagai variabel independen seperti yang dijelaskan di bawah ini,
mengatur & meringkas potongan informasi yang berbeda dan akhirnya
mengaitkannya, yaitu. pelabelan, ke indikator bisnis yang telah ditentukan
sebelumnya seperti tren harga, kinerja bisnis regional, pengeluaran ke dalam
berbagai kategori segmen, pemasok, dll., adalah mungkin untuk mendapatkan
wawasan penting tentang berbagai aspek bisnis.
Dalam beberapa kasus penggunaan, seperti
analisis dan klasifikasi tinjauan obat di mana umpan balik obat adalah kumpulan
— baik dari parameter kondisi fisik pasien dan respons pasien — solusi ini
memungkinkan peneliti dan analis untuk menganalisis dan menilai kemanjuran obat
atau obat tertentu.
Solusi ini juga dapat digunakan untuk
evaluasi produk dalam kasus penggunaan lain, dan dapat mengevaluasi produk dari
atribut produk yang berbeda, seperti harga, segmen, ulasan, umpan balik, dan
parameter lainnya. Misalnya, kualitas anggur dapat dievaluasi dari serangkaian
parameter yang berbeda, bukan hanya satu pertimbangan peringkat.
Study Kasus :
- Salah satu kampanye Anda berkinerja buruk secara konsisten di satu kota tertentu, sementara berjalan baik di kota lain
- Sebuah produk selalu memiliki pesanan setidaknya 70% lebih sedikit dari rata-rata
- Sebuah halaman selalu dimuat dengan lambat
Daftar Pustaka
https://swanstatistics.com/data-time-series-deret-waktu/
https://towardsdatascience.com/classification-algorithm-for-non-time-series-data-359e84e604d8
Komentar
Posting Komentar