Analisis time series merupakan salah satu bidang yang penting dan banyak dimanfaatkan dalam mendukung keputusan strategis. Saat ini banyak package maupun tools yang tersedia untuk keperluan ini, dalam berbagai platform dan bahasa pemrograman.
Artikel ini menyajikan daftar 13 python package untuk pemrosesan dan analisis data time series.
Pustaka Analisis Time Series Statsmodels
Statsmodels adalah modul Python yang menyediakan kelas dan fungsi untuk estimasi berbagai model statistik, melakukan uji statistik, serta eksplorasi data statistik. Hasilnya diuji terhadap paket statistik yang ada untuk memastikan validitasnya. Paket ini dirilis di bawah lisensi Modified BSD (3-klausa) open source.
statsmodels melakukan pemilihan model dengan menggunakan rumus dalam R-style dan Pandas DataFrames.
statsmodels.tsa berisi kelas model dan fungsi yang berguna untuk analisis time series. Termasuk model autoregressive univariat (AR), model autoregressive vektor (VAR) dan model autoregressive moving average univariat (ARMA). Model non-linear termasuk Markov switching dynamic regression dan autoregresi. Mencakup juga statistik deskriptif untuk time series, misalnya autokorelasi, autokorelasi parsial, dan periodogram, dan lain-lain. Tersedia pula metode untuk bekerja dengan autoregressive dan moving average lag-polynomials.
Untuk lebih detail mengenai python package time series statsmodels dapat mengunjungi link ini.
Pustaka Analisis Time Series Pmdarima
Pmdarima adalah library statistik Python untuk analisis time series atau deret waktu.
Beberapa fitur menariknya adalah:
- Fungsi sejenis dengan auto.arima di R
- Kumpulan uji statistik stasioneritas dan seasonal
- Utilitas deret waktu, seperti differencing dan inverse differencing
- Berbagai transformator serta fitur endogen dan eksogen, termasuk transformasi Box-Cox dan Fourier
- Dekomposisi deret waktu seasonal
- Utilitas cross validation
- Koleksi dataset time series untuk pembuatan prototipe dan contoh
- Pipeline sesuai format scikit-learn untuk mengkonsolidasikan estimator dan mempermudah deployment
Pmdarima juga ‘membungkus’ statsmodels di bawahnya, akan tetapi ia dirancang dengan antarmuka yang lebih akrab bagi pengguna yang telah terbiasa dengan scikit-learn.
Untuk lebih detail mengenai python package time series pmdarima dapat mengunjungi link ini.
Pustaka Analisis Time Series Prophet
Prophet adalah prosedur untuk meramalkan data time series berdasarkan model aditif di mana tren non-linier cocok dengan seasonalitas tahunan, mingguan, maupun harian, dilengkapi dengan efek liburan. Prophet bekerja paling baik dengan time series yang memiliki efek seasonalitas yang kuat dan beberapa musim data historis. Prophet juga handal dalam menangani data yang hilang serta pergeseran tren, dan dapat menangani outlier dengan baik.
Prophet adalah perangkat lunak open source yang dirilis oleh tim Core Data Science Facebook, dan tersedia untuk diunduh di CRAN dan PyPI.
Prophet mengikuti API model sklearn, yaitu kita membuat sebuah instance dari kelas Prophet kemudian memanggil metode fit and predict.
Untuk lebih detail mengenai python package analisis time series prophet dapat mengunjungi link ini.
Pustaka Analisis Time Series TsFresh
TSFRESH atau Time Series Feature extraction based on scalable hypothesis tests, adalah library Python dengan berbagai metode ekstraksi fitur dan algoritma pemilihan fitur yang handal.
Tsfresh secara otomatis menghitung sejumlah besar fitur time series, dan mencakup metode untuk mengevaluasi fitur-fitur tersebut untuk regresi ataupun klasifikasi.
Kelebihan tsfresh meliputi:
- Kompatibel dengan sklearn, panda, dan numpy
- Penambahan fitur dapat dilakukan dengan mudah
- Dapat berjalan di mesin lokal maupun cluster
Untuk lebih detail mengenai python package time series tsfresh dapat mengunjungi link ini.
Pustaka Analisis Time Series Darts
Darts adalah pustaka python untuk manipulasi dan forecasting deret waktu, sehingga memudahkan untuk melakukan analisis time series yang mudah digunakan. Darts mendukung model univariat dan multivariat, dan neural network dapat dilatih pada beberapa time series.
Beberapa fitur menarik dari Dart adalah
- Mendukung analisis dan model time series univariat serta multivariat.
- Model backtest yang mudah, menggabungkan prediksi yang berbeda, dan mempertimbangkan data eksternal.
- Dapat menangani kumpulan data yang lebih besar dengan cukup baik, serta menyediakan berbagai model, dari ARIMA hingga neural network
Untuk lebih detail mengenai python package time series Darts dapat mengunjungi link ini.
Pustaka Analisis Time Series Kats
Kats (Kits to Analyze Time Series) adalah pustaka Python yang dikembangkan oleh para peneliti di Facebook. Library analisis time series generik yang lightweight, yang memungkinkan untuk mengatur model lebih cepat untuk memproses time series dan perhitungan dalam model yang berbeda.
Beberapa fitur penting dari library Kats adalah
- Bekerja dengan baik untuk analisis univariat dan multivariat.
- Dapat digunakan untuk melakukan forecasting dengan 10+ model peramalan yang tersedia.
- Menangani outlier dan dapat mengidentifikasi pola, seasonal, dan tren, sehingga dapat digunakan untuk deteksi anomali.
- Dapat digunakan untuk ekstraksi fitur dan embedding dengan model pembelajaran mesin lainnya.
Untuk lebih detail mengenai python package time series Darts dapat mengunjungi link ini.
Pustaka Analisis Time Series GreyKite
GreyKite adalah library analisis time series yang dirilis oleh LinkedIn untuk menyederhanakan prediksi bagi saintis data. Library ini menawarkan otomatisasi forecasting menggunakan algoritma utama 'Silverkite'. Library ini juga membantu menginterpretasikan keluaran sehingga menjadikannya sebagai tools untuk sebagian besar proyek forecasting time series.
Beberapa fitur menarik dari GreyKite adalah
- Dapat melakukan exploratory data analysis (EDA), forecast pipeline, model tuning, benchmarking, dll.
- Dapat digunakan untuk rekayasa fitur, deteksi anomali, seasonalitas, dll.
- Model Silverkite menawarkan beberapa template yang telah diset agar sesuai dengan frekuensi perkiraan, cakrawala, dan pola data yang berbeda
- Antarmuka untuk model Prophet
Untuk lebih detail mengenai python package analisis time series GreyKite dapat mengunjungi link ini.
Pustaka Analisis Time Series AutoTS
AutoTS, atau Automatic Time Series, adalah library time series Python yang dapat memberikan perkiraan akurasi tinggi dalam skala besar. AutoTS menyediakan banyak model dan fungsi forecasting berbeda yang langsung kompatibel dengan DataFrame Pandas. Model dari library ini dapat digunakan untuk deployment.
Beberapa fitur menarik AutoTS
- Bekerja dengan baik dengan data time series univariat dan multivariat
- Dapat menangani data yang hilang maupun data dengan outlier
- Membantu mengidentifikasi model forecasting time series terbaik berdasarkan tipe data input
Untuk lebih detail mengenai python package analisis time series AutoTS dapat mengunjungi link ini.
Pustaka Analisis Time Series Cesium
Cesium adalah library Python yang memungkinkan pengguna mengekstrak fitur dari data time series mentah, membangun model pembelajaran mesin dari fitur ini, serta menghasilkan prediksi untuk data baru. Library cesium juga mendukung komputasi dalam antarmuka web cesium, yang memungkinkan analisis deret waktu serupa dilakukan sepenuhnya di dalam browser.
Untuk lebih detail mengenai python package analisis time series Cesium dapat mengunjung link ini.
Pustaka Analisis Time Series Sktime
Sktime adalah kerangka kerja python terpadu yang menyediakan API untuk machine learning dengan data time series. Framework ini juga menyediakan tools yang kompatibel dengan scikit-learn untuk membangun, tuning, dan validasi model time series untuk berbagai masalah pembelajaran, termasuk klasifikasi time series, regresi time series, dan forecasting.
Untuk lebih detail mengenai python package time series Sktime dapat mengunjung link ini.
Pustaka Analisis Time Series Orbit
Orbit adalah kerangka kerja Python yang dibuat oleh Uber untuk forecasting dan inferensi time series Bayesian. Framework ini dibangun di atas paket pemrograman probabilistik seperti PyStan dan Pyro milik Uber. Saat ini, Orbit mendukung implementasi beberapa model forecasting, seperti Damped Local Trend (DLT), Exponential Smoothing (ETS) dan Local Global Trend (LGT).
Untuk lebih detail mengenai python package time series Orbit dapat mengunjung link ini.
Pustaka Analisis Time Series Arrow
Arrow menawarkan pendekatan user friendly untuk membuat, memanipulasi, memformat, dan mengonversi tanggal, waktu, dan timestamp. Library ini mengimplementasikan dan memperbarui tipe datetime, mengisi celah dalam fungsionalitas, dan menyediakan modul API cerdas yang mendukung banyak skenario pembuatan secara umum.
Fitur menarik dari Arrow di antaranya:
- Timezone-aware dan UTC secara default
- Dukungan untuk Python 3.6+
- Metode shift dengan dukungan untuk offset relatif, termasuk untuk mingguan
- Dukungan penuh untuk PEP 484-style type hints
Untuk lebih detail mengenai python package time series Arrow dapat mengunjung link ini.
Pustaka Analisis Time Series Pastas
Pastas adalah kerangka kerja Python open-source yang dirancang untuk pemrosesan, simulasi, dan analisis model time series hidrogeologis. Framework ini memiliki tools bawaan untuk menganalisis, memvisualisasikan, dan mengoptimalkan model secara statistik. Diperkenalkan oleh Raoul A. Collenteur, Mark Bakker, Ruben Calje, Stijn A. Klop dan Frans Schaars dalam sebuah artikel yang diterbitkan oleh National Groundwater Association (NGWA) pada Juli 2019.
Untuk lebih detail mengenai python package time series Pastas dapat mengunjung link ini.