Belajar Time Series Forecasting Menggunakan Prophet Buatan Facebook (Meta)
Tahun 2023 yang lalu, saya pernah menuliskan bagaimana model deep learning yang dibangun menggunakan TensorFlow bisa digunakan untuk melakukan forecast dari data time series. Kali ini saya akan melakukan hal yang sama dengan metode yang berbeda.
Sebagaimana yang pernah saya tulis di sini, Meta memiliki beberapa libraries yang bisa digunakan oleh semua data scientist. Salah satunya adalah prophet yang biasa digunakan untuk melakukan analisa time series seperti dekomposisi dan forecast.
Data yang saya gunakan masih sama dengan tulisan saya yang lama.
| bulan | tahun | omset | timeline |
|---|---|---|---|
| 1 | 2019 | 12.109286 | 1-2019 |
| 2 | 2019 | 11.134998 | 2-2019 |
| 3 | 2019 | 11.306951 | 3-2019 |
| 4 | 2019 | 10.627735 | 4-2019 |
| 5 | 2019 | 12.706164 | 5-2019 |
| 6 | 2019 | 8.461056 | 6-2019 |
| 7 | 2019 | 10.418129 | 7-2019 |
| 8 | 2019 | 10.693386 | 8-2019 |
| 9 | 2019 | 9.931742 | 9-2019 |
| 10 | 2019 | 10.134906 | 10-2019 |
| 11 | 2019 | 9.759191 | 11-2019 |
| 12 | 2019 | 9.220283 | 12-2019 |
| 1 | 2020 | 9.424254 | 1-2020 |
| 2 | 2020 | 9.652470 | 2-2020 |
| 3 | 2020 | 10.929961 | 3-2020 |
| 4 | 2020 | 10.522224 | 4-2020 |
| 5 | 2020 | 8.690728 | 5-2020 |
| 6 | 2020 | 11.384340 | 6-2020 |
| 7 | 2020 | 10.592765 | 7-2020 |
| 8 | 2020 | 9.446511 | 8-2020 |
| 9 | 2020 | 10.421095 | 9-2020 |
| 10 | 2020 | 9.964756 | 10-2020 |
| 11 | 2020 | 10.848913 | 11-2020 |
| 12 | 2020 | 11.337345 | 12-2020 |
| 1 | 2021 | 9.085644 | 1-2021 |
| 2 | 2021 | 9.203892 | 2-2021 |
| 3 | 2021 | 12.028427 | 3-2021 |
| 4 | 2021 | 12.540642 | 4-2021 |
| 5 | 2021 | 10.803806 | 5-2021 |
| 6 | 2021 | 11.576041 | 6-2021 |
| 7 | 2021 | 10.630560 | 7-2021 |
| 8 | 2021 | 12.123444 | 8-2021 |
| 9 | 2021 | 11.597485 | 9-2021 |
| 10 | 2021 | 11.467759 | 10-2021 |
| 11 | 2021 | 11.424983 | 11-2021 |
| 12 | 2021 | 10.390359 | 12-2021 |
| 1 | 2022 | 10.100890 | 1-2022 |
| 2 | 2022 | 10.063320 | 2-2022 |
| 3 | 2022 | 12.171718 | 3-2022 |
| 4 | 2022 | 12.967401 | 4-2022 |
| 5 | 2022 | 10.504940 | 5-2022 |
| 6 | 2022 | 11.451804 | 6-2022 |
| 7 | 2022 | 11.966286 | 7-2022 |
| 8 | 2022 | 12.137978 | 8-2022 |
| 9 | 2022 | 11.036515 | 9-2022 |
| 10 | 2022 | 11.668166 | 10-2022 |
| 11 | 2022 | 10.969599 | 11-2022 |
| 12 | 2022 | 10.536972 | 12-2022 |
| 1 | 2023 | 10.662826 | 1-2023 |
| 2 | 2023 | 9.870124 | 2-2023 |
| 3 | 2023 | 12.258235 | 3-2023 |
| 4 | 2023 | 9.736901 | 4-2023 |
| 5 | 2023 | 11.665639 | 5-2023 |
Saya memiliki 53 baris data omset bulanan mulai dari Januari 2019 hingga Mei 2023.
Saya akan lakukan hal yang serupa, yakni melakukan forecast untuk omset Januari - Mei 2023 dan kita bandingkan seberapa baik hasilnya.
Pertama-tama dari data di atas, saya akan ubah dulu menjadi bentuk seperti ini:
| ds | y |
|---|---|
| 2019-01-01 | 12.109286 |
| 2019-02-01 | 11.134998 |
| 2019-03-01 | 11.306951 |
| 2019-04-01 | 10.627735 |
| 2019-05-01 | 12.706164 |
| 2019-06-01 | 8.461056 |
| 2019-07-01 | 10.418129 |
| 2019-08-01 | 10.693386 |
| 2019-09-01 | 9.931742 |
| 2019-10-01 | 10.134906 |
| 2019-11-01 | 9.759191 |
| 2019-12-01 | 9.220283 |
| 2020-01-01 | 9.424254 |
| 2020-02-01 | 9.652470 |
| 2020-03-01 | 10.929961 |
| 2020-04-01 | 10.522224 |
| 2020-05-01 | 8.690728 |
| 2020-06-01 | 11.384340 |
| 2020-07-01 | 10.592765 |
| 2020-08-01 | 9.446511 |
| 2020-09-01 | 10.421095 |
| 2020-10-01 | 9.964756 |
| 2020-11-01 | 10.848913 |
| 2020-12-01 | 11.337345 |
| 2021-01-01 | 9.085644 |
| 2021-02-01 | 9.203892 |
| 2021-03-01 | 12.028427 |
| 2021-04-01 | 12.540642 |
| 2021-05-01 | 10.803806 |
| 2021-06-01 | 11.576041 |
| 2021-07-01 | 10.630560 |
| 2021-08-01 | 12.123444 |
| 2021-09-01 | 11.597485 |
| 2021-10-01 | 11.467759 |
| 2021-11-01 | 11.424983 |
| 2021-12-01 | 10.390359 |
| 2022-01-01 | 10.100890 |
| 2022-02-01 | 10.063320 |
| 2022-03-01 | 12.171718 |
| 2022-04-01 | 12.967401 |
| 2022-05-01 | 10.504940 |
| 2022-06-01 | 11.451804 |
| 2022-07-01 | 11.966286 |
| 2022-08-01 | 12.137978 |
| 2022-09-01 | 11.036515 |
| 2022-10-01 | 11.668166 |
| 2022-11-01 | 10.969599 |
| 2022-12-01 | 10.536972 |
Berikutnya saya akan buat model dan prediksinya dengan skrip yang sederhana:
model = prophet(df_)
df_2023 = make_future_dataframe(model, periods = 5, freq='month')
predict_2023 = predict(model, df_2023)
Ini adalah plot hasilnya:
Mean absolute error yang dihasilkan adalah:
Metrics::mae(df$omset,
predict_2023$yhat)
[1] 0.5513065
Ternyata hasil MAE-nya relatif lebih rendah dari model LSTM yang saya buat di tulisan yang lalu.
Berikut adalah hasil perbandingan antara hasil prediksi dan real omset pada Januari - Mei 2023:
Namun secara visual, kita bisa dapatkan nilai prediksinya relatif lebih besar dibandingkan nilai real-nya dan pola yang dihasilkan tidak cukup merepresentasikan pola real-nya.
Rekan-rekan bisa membandingkannya dengan grafik pada tulisan yang lama, bahwa LSTM lebih baik mengenal pola time series pada kasus ini.
Kesimpulan
Pada kasus ini, model yang dibangun menggunakan LSTM deep learning di
TensorFlow lebih baik dalam mengenali pola namun prophet menawarkan
proses skrip yang lebih mudah dan sederhana.
if you find this article helpful, support this blog by clicking the ads.