Tips Praktis Membedakan Deret Waktu untuk Pemula

Deret waktu sering muncul di sekitar kita: harga saham, penjualan harian toko, suhu udara, atau jumlah pengunjung situs. Saat mulai menganalisis data seperti ini, satu langkah awal yang sering terlewat adalah membedakan deret waktu. Cara membedakan deret waktu berarti menghitung selisih antara nilai pada waktu tertentu dengan nilai sebelumnya. Tujuannya membuat pola lebih mudah dibaca dan memenuhi asumsi beberapa model statistik.

Bagian berikut memandu dari konsep dasar hingga penerapan di Python. Kamu tidak perlu latar belakang matematika kuat untuk mengikuti, cukup sedikit kesabaran dan rasa ingin tahu.

Apa itu differencing dalam deret waktu?

Differencing (pembedaan) adalah operasi mengurangi nilai observasi saat ini dengan nilai observasi sebelumnya. Jika kamu punya deret yt, maka nilai yang dibedakan adalah y’t = yt – yt-1. Hasilnya deret baru yang menunjukkan perubahan antar waktu, bukan nilai absolutnya.

Operasi ini berguna ketika data memiliki tren atau musim yang membuat rata-rata dan variansnya berubah seiring waktu. Banyak model peramalan, seperti ARIMA, mengasumsikan data sudah stasioner, artinya sifat statistiknya tidak bergantung pada waktu. Membedakan deret adalah salah satu cara paling sederhana untuk mencapai kondisi itu.

Tidak semua deret waktu perlu dibedakan. Jika data sudah stasioner, melakukan differencing justru bisa menghilangkan informasi penting dan menambah noise.

Kapan sebaiknya kamu melakukan differencing?

Ada beberapa sinyal yang bisa kamu perhatikan sebelum memutuskan untuk membedakan deret waktu:

• Tren naik atau turun yang jelas dalam plot data dari waktu ke waktu.
• Varians yang tidak konstan, misalnya fluktuasi yang makin besar seiring naiknya nilai.
• Pola musiman berulang yang kuat, meskipun untuk musiman biasanya digunakan seasonal differencing.
• Hasil uji stasioner seperti Augmented Dickey-Fuller (ADF) yang menunjukkan data belum stasioner.

Jika kamu melihat tren, coba lakukan differencing orde pertama (satu kali). Jika masih ada tren, bisa dilanjutkan ke orde kedua, meskipun jarang diperlukan.

Sebagai langkah awal, kamu bisa menggunakan library seperti pandas untuk menghitung selisih. Contohnya:

import pandas as pd

# Misal df memiliki kolom 'nilai' dengan indeks waktu
df['diff_1'] = df['nilai'].diff()
print(df.head())

Nilai pertama akan menjadi NaN karena tidak ada nilai sebelumnya. Kamu bisa menghapusnya dengan df.dropna().

Jenis-jenis differencing yang perlu dikenal

Selain differencing biasa (orde pertama), ada beberapa variasi yang berguna tergantung karakteristik data.

1. First differencing (lag-1)

Ini yang paling umum: mengurangi nilai saat ini dengan nilai satu periode sebelumnya. Cocok untuk menghilangkan tren linear.

2. Second differencing (lag-2)

Dilakukan jika setelah differencing pertama masih ada tren. Rumusnya y”t = y’t – y’t-1. Orde kedua membuat deret makin pendek dan bisa memperbesar noise.

3. Seasonal differencing

Untuk data dengan pola musiman, misalnya penjualan bulanan yang berulang tiap tahun. Kamu mengurangi nilai dengan nilai pada musim yang sama di periode sebelumnya (lag 12 untuk data bulanan).

df['diff_seasonal'] = df['nilai'].diff(periods=12)

Pilih lag yang sesuai dengan siklus musiman data. Jika data harian dengan pola mingguan, gunakan lag 7.

Langkah praktis membedakan deret waktu dengan Python

Berikut alur kerja yang bisa kamu ikuti untuk mencoba differencing pada dataset deret waktu.

Langkah 1: Muat dan periksa data

Gunakan pandas untuk membaca data dan pastikan kolom waktu sudah menjadi indeks datetime. Plot deret aslinya untuk melihat tren dan musiman.

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data_penjualan.csv', parse_dates=['tanggal'], index_col='tanggal')
df['penjualan'].plot(title='Deret asli')
plt.show()

Langkah 2: Uji stasioner

Gunakan uji ADF dari statsmodels. Jika p-value > 0,05, data cenderung tidak stasioner.

from statsmodels.tsa.stattools import adfuller
result = adfuller(df['penjualan'])
print('ADF Statistic:', result[0])
print('p-value:', result[1])

Langkah 3: Lakukan differencing

Hitung selisih orde pertama dan plot hasilnya. Perhatikan apakah rata-rata sudah stabil di sekitar nol.

df['diff_1'] = df['penjualan'].diff()
df['diff_1'].plot(title='Setelah differencing orde 1')
plt.show()

Langkah 4: Uji ulang stasioner

Jalankan ADF pada deret yang sudah dibedakan. Jika p-value < 0,05, kamu bisa lanjut ke pemodelan. Jika belum, pertimbangkan differencing orde kedua atau seasonal differencing.

Langkah 5: Evaluasi hasil

Bandingkan plot sebelum dan sesudah. Pastikan tidak ada pola tren yang tersisa. Differencing mengurangi jumlah observasi, jadi pastikan data awal cukup panjang.

Kesalahan yang sering terjadi saat differencing

• Terlalu banyak differencing: membuat deret kehilangan informasi jangka panjang dan meningkatkan varians.
• Mengabaikan musiman: hanya menggunakan lag-1 padahal ada pola musiman kuat.
• Tidak memeriksa ulang stasioner: menganggap differencing selalu berhasil tanpa uji lanjutan.
• Lupa menangani NaN: nilai hilang di awal deret bisa mengganggu analisis berikutnya.

Bandingkan hasil differencing dengan deret asli secara visual. Jika ragu, mulai dari orde pertama dan naikkan hanya jika perlu.

Kapan tidak perlu melakukan differencing?

Jika data sudah stasioner sejak awal, differencing merusak sinyal. Beberapa model machine learning modern seperti random forest atau gradient boosting juga tidak mensyaratkan stasioneritas, sehingga kamu bisa langsung menggunakan fitur lag atau rolling window tanpa differencing.

Untuk data dengan tren yang ingin dipertahankan, pertimbangkan metode detrending lain seperti regresi linear atau moving average. Differencing cocok ketika kamu ingin fokus pada perubahan daripada level absolut.

Ringkasan

Membedakan deret waktu adalah teknik sederhana yang berguna untuk membuat data lebih siap dianalisis, terutama jika kamu berencana memakai model statistik klasik. Mulailah dengan memeriksa plot dan uji stasioner, lalu terapkan differencing orde pertama jika diperlukan. Pertimbangkan pola musiman dan evaluasi hasilnya. Dengan latihan, kamu akan terbiasa memilih jenis differencing yang tepat untuk dataset yang kamu hadapi.

Pertanyaan yang Sering Diajukan

Apakah differencing selalu diperlukan sebelum analisis deret waktu?

Tidak. Differencing hanya diperlukan jika data menunjukkan tren atau musiman yang membuatnya tidak stasioner. Jika data sudah stasioner, kamu bisa langsung menganalisisnya tanpa differencing.

Berapa orde differencing yang ideal?

Umumnya orde pertama cukup untuk menghilangkan tren linear. Orde kedua jarang dipakai karena bisa mengurangi informasi. Gunakan uji stasioner untuk menentukan apakah perlu menambah orde.

Bagaimana cara menangani musiman dalam differencing?

Gunakan seasonal differencing dengan lag sesuai periode musiman. Misalnya, untuk data bulanan dengan pola tahunan, gunakan lag 12. Kamu juga bisa menggabungkan differencing biasa dan musiman jika diperlukan.