Cara mneghitung dan memvisualisasikan data Distribusi Normal, Poisson, Uniform/Seragam, dan Binomial

Salah satu metode yang efektif untuk menganalisis data runtun waktu adalah metode ARIMA (AutoRegressive Integrated Moving Average). Metode ini dikenal karena kemampuannya dalam menangkap pola-pola musiman dan non-musiman pada data runtun waktu, sehingga dapat menghasilkan model prediktif yang andal. Dengan mengkombinasikan komponen autoregressive, integrasi, dan moving average, ARIMA mampu mengidentifikasi dan menghilangkan tren atau fluktuasi acak dalam data sehingga menghasilkan prediksi yang akurat. Penelitian ini bertujuan untuk menganalisis data runtun waktu tingkat inflasi bulanan di Indonesia dalam periode Januari 2010 hingga Desember 2014 menggunakan metode ARIMA. Dengan model yang dihasilkan, penelitian ini akan memprediksi tingkat inflasi untuk 12 bulan ke depan, yang dapat menjadi acuan bagi pembuat kebijakan moneter dalam merancang strategi pengendalian inflasi. Selain itu, hasil penelitian ini juga memberikan kontribusi dalam literatur akademik terkait penggunaan metode ARIMA untuk analisis dan prediksi inflasi

Model SVM berhasil dibangun dan mampu memprediksi level risiko investasi dengan tingkat akurasi yang memuaskan. Evaluasi terhadap model menunjukkan hasil yang baik dengan nilai akurasi tinggi pada data testing. Imputasi missing values menggunakan metode MICE juga menunjukkan efektivitas yang baik, memperbaiki dataset tanpa kehilangan informasi penting. Model ini dapat digunakan untuk membantu pengambilan keputusan dalam investasi berdasarkan level risiko yang telah diprediksi

Model yang digunakan dalam analisis di atas adalah Random Forest, yang merupakan algoritma pembelajaran mesin berbasis ensemble learning. Model ini menggabungkan beberapa pohon keputusan (decision trees) untuk meningkatkan akurasi prediksi, mengurangi overfitting, dan memberikan hasil yang lebih andal dibandingkan dengan model pohon keputusan tunggal. Dalam syntax tersebut, data awal dianalisis untuk memastikan tidak ada missing values, yang kemudian ditangani dengan metode imputasi MICE. Setelah itu, dataset dipra-proses untuk memastikan variabel numerik dan kategorikal sesuai untuk pelatihan model. Visualisasi seperti heatmap korelasi dan box plot membantu dalam memahami distribusi data dan hubungan antar variabel. Selanjutnya, model Random Forest dilatih menggunakan teknik cross-validation dengan hyperparameter tuning untuk mengoptimalkan kinerjanya. Hasilnya dievaluasi melalui confusion matrix, yang menunjukkan akurasi dan distribusi prediksi terhadap data validasi. Visualisasi matriks kebingungan dan feature importance memperlihatkan kontribusi masing-masing fitur dalam mempengaruhi prediksi risiko investasi. Secara keseluruhan, model ini menunjukkan performa yang baik, dengan akurasi tinggi pada data validasi dan data testing, sehingga dapat digunakan sebagai alat yang efektif untuk klasifikasi risiko investasi.

Regresi logistik adalah salah satu teknik statistik yang sangat berguna untuk memprediksi probabilitas terjadinya suatu peristiwa. Berbeda dengan regresi linear yang memprediksi nilai numerik kontinu, regresi logistik digunakan ketika variabel dependen (yang ingin kita prediksi) bersifat kategorikal, biasanya biner (ya/tidak, terjadi/tidak terjadi)

Regresi Linear Berganda adalah teknik statistik yang digunakan untuk megetahui pengaruh dua atau lebih variabel independen terhadap satu variabel dependen

teknik analisis data yang memprediksi nilai data yang tidak diketahui dengan menggunakan nilai data lain yang terkait dan diketahui