Dekomposisi Sinyal: Memisahkan Trend, Seasonality, dan Residual Secara Interaktif

Kenapa model time series sering gagal saat hari raya, akhir tahun, atau musim tertentu? Karena data tidak hanya punya satu pola. Ia bisa berisi trend jangka panjang, seasonality berulang, dan residual yang tampak seperti noise.

Apa itu time series?

Time series adalah data yang diurutkan berdasarkan waktu: penjualan harian, suhu per jam, trafik website, getaran mesin, atau harga saham. Urutan waktu penting karena nilai hari ini sering berkaitan dengan nilai sebelumnya.

Tiga komponen utama

Trend adalah arah jangka panjang: naik, turun, atau stabil. Seasonality adalah pola berulang, misalnya siklus mingguan atau bulanan. Residual adalah sisa setelah trend dan seasonality dipisahkan. Residual sering dipakai untuk mencari anomaly atau kualitas data.

Additive vs multiplicative

Model additive cocok ketika variasi musiman relatif konstan. Model multiplicative cocok ketika variasi musiman makin besar saat level data naik. Misalnya penjualan yang makin tinggi biasanya juga punya lonjakan musiman yang lebih besar.

Mengapa residual penting?

Residual yang tiba-tiba besar bisa menandakan anomaly: sensor rusak, transaksi tidak wajar, kampanye besar, atau kejadian eksternal. Untuk forecasting, residual membantu melihat pola apa yang belum dijelaskan model.

Coba di workspace

1. Buka Signal Decomposition.
2. Masukkan sinyal observasi sendiri atau pilih contoh.
3. Lihat trend, seasonality, dan residual pada sumbu waktu yang sama.
4. Bandingkan dengan FFT untuk membaca frekuensi dominan.
5. Gunakan Signal Filter untuk memahami low-pass dan high-pass.

Dekomposisi membuat data mentah lebih mudah dibicarakan. Sebelum memaksa model kompleks, pisahkan dulu pola besar, siklus berulang, dan sisa yang perlu diselidiki.