Forecasting kasus berbasis data historis

Bandingkan beberapa metode prediksi untuk membaca tren mingguan, horizon forecast, dan potensi perubahan pola penyakit pada data surveilans.

⚙️ Pengaturan Forecasting

📈
ARIMA
Auto-Regressive Integrated Moving Average
(2,1,1)
📊
SARIMA
Seasonal ARIMA
(1,1,1)(1,1,1,12)
📉
Exp. Smoothing
Holt-Winters
Trend + Seasonal
🤖
ML Ensemble
Random Forest + Gradient Boosting
Sklearn

📚 Penjelasan Metode

📈 ARIMA (2,1,1)

Model statistik klasik yang menggabungkan autoregression (AR), differencing (I), dan moving average (MA). Cocok untuk data tren non-musiman.

📊 SARIMA (1,1,1)(1,1,1,12)

Ekstensi ARIMA dengan komponen musiman. Menangkap pola berulang tiap 12 minggu (siklus triwulan). Ideal untuk data epidemi yang punya pola siklus.

📉 Exponential Smoothing

Holt-Winters dengan trend dan seasonal. Memberi bobot lebih pada data terbaru. Baik untuk data dengan tren dan musiman yang jelas.

🤖 ML Ensemble (RF+GB)

Kombinasi Random Forest dan Gradient Boosting. Mempelajari pola non-linear dari lag features, trend, dan siklus. Kuat untuk pola kompleks.

⚠️ Disclaimer: Forecasting bersifat prediktif berdasarkan data historis. Akurasi bergantung pada kualitas dan volume data. Selalu validasi dengan penilaian epidemiologis di lapangan. Interval kepercayaan 80% ditampilkan sebagai area berwarna.