Tugas Programming

1. Manipulasi Tanggal

#

Buatlah sebuah fungsi untuk mengonversi kolom tanggal dalam format string menjadi tipe data datetime pada DataFrame Pandas.

Contoh:

# Input
data = {'Tanggal': ['2022-01-01', '2022-02-15', '2022-03-31']}
df = pd.DataFrame(data)

# Output
convert_to_datetime(df)

# DataFrame hasil
       Tanggal
0  2022-01-01
1  2022-02-15
2  2022-03-31

2.Rolling Average

#

Buatlah fungsi untuk menghitung rata-rata bergerak (rolling average) dari suatu kolom dalam DataFrame Pandas.

Contoh:

# Input
data = {'Value': [10, 15, 20, 25, 30]}
df = pd.DataFrame(data)

# Output
calculate_rolling_average(df, window=2)

# DataFrame hasil
   Value  Rolling_Avg
0     10          NaN
1     15         12.5
2     20         17.5
3     25         22.5
4     30         27.5

3. Identifikasi Seasonality

#

Implementasikan fungsi untuk mendekomposisi seasonality pada data time series menggunakan metode yang telah dipelajari. Tampilkan grafiknya.

Contoh:

# Input
data = {'Tanggal': pd.date_range(start='2022-01-01', periods=12, freq='M'),
        'Jumlah': [20, 25, 30, 40, 35, 45, 50, 55, 60, 70, 65, 75]}
df = pd.DataFrame(data)
df.set_index('Tanggal', inplace=True)

# Output
decompose_seasonality(df)

4. Resampling Data

#

Implementasikan fungsi untuk meresample data time series ke frekuensi yang berbeda.

Contoh:

# Input
data = {'Tanggal': pd.date_range(start='2022-01-01', periods=5, freq='D'),
        'Jumlah': [10, 15, 20, 25, 30]}
df = pd.DataFrame(data)
df.set_index('Tanggal', inplace=True)

# Output
resample_data(df, target_freq='W')

5. Analisis Trend

#

Buatlah sebuah fungsi yang dapat mengidentifikasi trend dalam data time series menggunakan metode regresi linier.

Contoh:

# Input
data = {'Tanggal': pd.date_range(start='2022-01-01', periods=10, freq='D'),
        'Jumlah': [15, 18, 22, 30, 28, 35, 40, 38, 42, 45]}
df = pd.DataFrame(data)
df.set_index('Tanggal', inplace=True)

# Output
identify_trend(df)

6. Analisis Seasonality dan Residual

#

Implementasikan fungsi untuk menganalisis musiman (seasonality) dan residual dari hasil dekomposisi data time series.

Contoh:

# Input
data = {'Tanggal': pd.date_range(start='2022-01-01', periods=12, freq='M'),
        'Jumlah': [20, 25, 30, 40, 35, 45, 50, 55, 60, 70, 65, 75]}
df = pd.DataFrame(data)
df.set_index('Tanggal', inplace=True)

# Output
analyze_seasonality_residual(df)