1. Project Info
1.1. Project Stakeholders
1.2. Project Plan Outline
1.3. Documentation
1.4. Ganttchart
2. Stage 1: Research & Planning
2.1. Loading Data
2.1.1. Tentukan Sumber Data
2.1.1.1. Data utama
2.1.1.1.1. HKE & MOPS 2021-2024 (P1 Agst)
2.1.1.2. Data Tambahan :
2.1.1.2.1. HKE & MOPS 2021-2024.xlsx
2.1.1.2.2. Harga Mineral Batubara 2021-2024.xlsx
2.1.2. Upload File to Google Drive
2.2. Decide on project goals
2.2.1. Meningkatkan Akurasi Prediksi Penjualan dari mei 2024 hingga desember 2024
2.2.2. Memahami Tren Penjualan 2024
2.3. Develop Requirements
2.3.1. Platform Pengembangan
2.3.1.1. Google Colab (Phyton)
2.3.2. Tools Visualisasi
2.3.2.1. Trello
2.4. Exploratory Data Analysis
2.4.1. Analisis korelasi antar variable pada data
3. Stage 2: Pre-Processing Data
3.1. Data Cleaning
3.1.1. Penanganan missing values
3.2. Normalisasi Data
4. Stage 3: Perhitungan Dimensi Fraktal
4.1. Pengenalan Dimensi Fraktal
4.1.1. **Pengenalan** : Dimensi fraktal adalah alat untuk mengukur seberapa rumit atau kompleks suatu pola.
4.1.2. **Manfaat** : mengidentifikasi pola tersembunyi dalam data yang tampaknya acak atau kacau.
4.1.3. **Metode** : 1. Box-Counting Method
4.2. Analisis Hasil dan Penentuan Model
4.2.1. Dimensi Fraktal bernilai ** < 1** (Pola Sederhana)
4.2.1.1. Model :
4.2.1.1.1. Regresi Linier
4.2.1.1.2. ARIMA (AutoRegressive Integrated Moving Average)
4.2.1.1.3. Exponential Smoothing
4.2.2. Dimensi Fraktal bernilai **mendekati 1** (Hampir Linier)
4.2.2.1. Model :
4.2.2.1.1. SARIMA (Seasonal ARIMA)
4.2.2.1.2. Prophet
4.2.2.1.3. Linear Regression dengan Komponen Musiman
4.2.3. Dimensi Fraktal **> 1** (Pola Kompleks)
4.2.3.1. **Model :**
4.2.3.1.1. Jaringan Saraf (Neural Networks)
4.2.3.1.2. Long Short-Term Memory (LSTM)
4.2.3.1.3. N-BEATS
4.2.3.1.4. XGBoost
5. Stage 4: Pembuatan Model Forecasting
5.1. SARIMAX
5.1.1. **Apa Itu SARIMAX?** SARIMAX adalah model statistik untuk memprediksi data waktu (time series)
5.1.1.1. S: Seasonal – Menangani pola musiman (misalnya, tahunan).
5.1.1.2. AR: AutoRegressive – Menggunakan data lalu untuk prediksi.
5.1.1.3. I: Integrated – Mengatasi ketidakstabilan data.
5.1.1.4. MA: Moving Average – Memperbaiki prediksi dengan rata-rata data lalu.
5.1.1.5. X: eXogenous variables – Memasukkan faktor eksternal seperti cuaca.
5.1.2. **Kenapa Memilih SARIMAX?** Menangani data waktu dengan pola musiman ( fluktuasi yang terjadi pada interval waktu tertentu) dan tren, serta memasukkan faktor eksternal yang mempengaruhi data.
5.2. Prophet
5.2.1. **Apa itu Prophet?** Alat peramalan data waktu dari Facebook yang menangani pola musiman, tren, dan libur, serta efektif untuk prediksi jangka panjang.
5.2.2. **Kenapa memilih Prophet?** kemudahan penggunaannya, kemampuannya menangani pola musiman dan tren, serta fleksibilitasnya dalam menambahkan faktor eksternal dan libur.
5.3. Linier Regression
5.3.1. **Apa itu Linier Regression?** Metode untuk memprediksi sesuatu dengan menggunakan hubungan linier antara variabel independen (fitur) dan satu variabel dependen (target)
5.3.2. **Kenapa memilih Linier Regression?** Mudah dipahami, perhitungannya cepat, efektif untuk data dengan hubungan linier, dan memberikan interpretasi yang jelas tentang pengaruh fitur terhadap target.
6. Stage 5: Evaluasi dan Visualisasi
6.1. **Evaluasi Model**
6.1.1. Hitung Metrik Kinerja
6.1.1.1. Mean Squared Error (MSE)
6.1.1.2. Root Mean Squared Error (RMSE)
6.1.1.3. Mean Absolute Error (MAE)
6.1.2. Bandingkan dengan Model Lain
6.1.2.1. bandingkan hasil evaluasi untuk memilih model terbaik
6.2. **Visualisasi Hasil**
6.2.1. Plot Prediksi vs. Aktual
6.2.2. Plot Tren dan Pola
6.2.3. Grafik Residuals