Fig. 1. Prophet official logo (sumber: https://facebook.github.io/prophet/)

 Peramalan (forecasting) merupakan dasar dari banyak keputusan bisnis. Namun, membuat peramalan yang akurat dan bisa diandalkan bukan hal mudah. Teknik otomatis sering terlalu kaku, sementara analis bisnis biasanya memahami domain produk tetapi tidak memiliki pelatihan mendalam terkait peramalan deret waktu.

Untuk menjembatani kesenjangan ini, Sean J. Taylor dan Benjamin Letham dari Meta (sebelumnya Facebook) mengembangkan Prophet, sebuah pendekatan ‘forecasting at scale’ yang menggabungkan kekuatan model statistik dengan fleksibilitas judgment manusia melalui konsep analyst-in-the-loop.

 

Get to know: Meta Prophet

Prophet adalah library open source untuk time series forecasting dan bisa diimplementasikan di R dan Python. Intinya, Prophet mencoba meramalkan nilai masa depan dengan memecah deret waktu ke dalam komponen-komponen yang mudah diinterpretasi, berupa trend (), seasonality (), efek liburan/event (), dan noise acak ().

Persamaan dasarnya:

Di mana:

  • g(t) mewakili tren jangka panjang. Prophet bisa menggunakan model linear (piecewise linear trend) atau logistic growth (nonlinear saturation)
  • s(t) adalah seasonality (musiman), misalnya pola mingguan, tahunan, dll., yang dimodelkan lewat Fourier series agar fleksibel
  • h(t) menangani efek hari libur atau event khusus, jadi kita bisa memasukkan daftar tanggal liburan agar Prophet memperhitungkannya
  • εₜ adalah error/noise, elemen tak terjelaskan oleh komponen lain

Prophet juga bisa menangani data yang berantakan (missing value, outlier), serta mendeteksi changepoints (titik di mana tren bisa berubah tajam).

 

Analyst-in-the-Loop

Keunggulan terbesar Prophet adalah kemampuannya untuk memberdayakan analis non-statistik. Ia dapat menentukan kapasitas untuk model logistic growth. menambahkan atau mengunci changepoints pada tanggal penting (peluncuran fitur, perubahan strategi), serta menyetel parameter smoothing seperti fleksibilitas tren atau kekuatan musiman. Dengan kata lain, Prophet memadukan kekuatan peramalan statistik otomatis (stabil, skalabel) dan simplisitas judgment-based forecasting (memasukkan intuisi bisnis).

Fig. 2. Ilustrasi skema analyst-in-the-loop (Taylor, et.al., 2017)

Simulated Historical Forecasting

Untuk skala besar, mengevaluasi ribuan peramalan tidak mungkin dilakukan secara manual. Prophet menggunakan metode bernama Simulated Historical Forecasting (SHF).

Cara kerjanya:

  1. Pilih beberapa cutoff points di masa lalu.
  2. Lakukan prediksi seolah-olah berada di masa itu.
  3. Hitung error sebenarnya (MAPE, MAE, dll).
  4. Lihat pola error untuk berbagai horizon prediksi.

SHF kemudian dapat menandai (flag) peramalan yang bermasalah, seperti:

  • Prediksi yang jauh lebih buruk dibanding baseline.
  • Lonjakan error SHF mendadak, menandakan perubahan proses atau data rusak.

Analis kemudian bisa memfokuskan waktunya pada model yang bermasalah saja, bukan seluruh pipeline.

Forecasting Procedure

  1. Data Preparation
  • Data harus dalam format ‘date’ (ds) dan ‘value’ (y).
  • Tambahkan regressors eksternal (misalnya variabel cuaca, promosi) untuk diperhitungkan dalam model.
  • Tentukan daftar liburan atau event yang relevan jika ingin memasukkan efek .
  1. Fitting Model
  • Buat objek Prophet (m = Prophet() di Python / R) dan panggil .fit(df) untuk melatih model pada data historis.
  • Selama fitting, Prophet akan menentukan tren dasar, dengan mendeteksi changepoint dan memilih model tren (linear atau logistic), mengestimasi komponen musiman menggunakan deret Fourier agar mampu menyesuaikan pola musiman kompleks, dan menilai kontribusi dari liburan/event (jika diberikan) lewat regression.
  1. Forecasting
  • Setelah model fit, buat kerangka waktu masa depan dengan .make_future_dataframe(periods=…) (misalnya 365 hari ke depan), kemudian Prophet akan menghasilkan tanggal-tanggal masa depan.
  • Panggil .predict(future) untuk menghasilkan forecast, yang berisi kolom ramalan (ŷ), serta komponen tren, musiman, dan efek liburan.
  • Visualisasikan hasil dengan .plot(forecast) dan .plot_components(forecast) untuk menampilkan tren, seasonality, dan holiday.
  1. Uncertainty/Confidence Interval
  • Prophet memberikan confidence intervals untuk prediksinya, karena dibangun di atas basis Bayesian/probabilistik. Interval ini membantu kita memahami seberapa yakin model terhadap prediksi masa depan, yang sangat berguna di dunia bisnis untuk perencanaan risiko.
  1. Tuning (Optional)
  • Kita bisa mengatur hyperparameter seperti changepoint_prior_scale (mengendalikan fleksibilitas tren) atau seasonality_prior_scale (seberapa halus musiman), holidays_prior_scale (mengatur dampak liburan), seasonality_mode (memilih antara musim aditif atau multiplicative), changepoint_range (mengatur proporsi data historis tempat titik perubahan tren dapat dideteksi).
  • Penggunaan grid search juga bisa dan cukup efektif.
  1. Evaluation
  • Lakukan cross-validation untuk mengevaluasi performa forecasting masa depan. Prophet menyediakan tools built-in untuk crossval dan performance matrix [3].
  • Gunakan metrik error seperti RMSE, MAPE, dsb. untuk menilai akurasi model.
  • Visualisasi komponen untuk mengecek apakah model ‘masuk-akal’.

 

NeuralProphet

NeuralProphet adalah kerangka hybrid time series forecasting framework baru yang dikembangkan sebagai penerus Facebook Prophet (Triebe, et.al., 2021). Framework ini menekankan interpretabilitas, skalabilitas, dan kemudahan penggunaan, sambil mengatasi keterbatasan Prophet, khususnya kurangnya konteks lokal dan sulitnya melakukan ekstensi model. Dengan memanfaatkan backend PyTorch dan teknik deep learning seperti auto-regression dan modul covariates, NeuralProphet menawarkan arsitektur modular yang mencakup tren, musiman, event, serta lagged/future regressor. Model ini dilatih menggunakan mini-batch Stochastic Gradient Descent (SGD), memungkinkan proses training yang efisien. Berdasarkan eksperimen pada data sintetis dan data nyata, NeuralProphet menunjukkan kinerja yang sebanding atau bahkan lebih baik dari Prophet, memberikan peningkatan akurasi signifikan (50–90%) untuk peramalan jangka pendek hingga menengah ketika fitur auto-regression diaktifkan, sekaligus menghasilkan waktu prediksi yang jauh lebih cepat dibandingkan Prophet versi asli.

 

Conclusion

Prophet memungkinkan kita melakukan forecasting berskala besar dengan kualitas tinggi, terutama untuk kasus bisnis. Kombinasi antara model decomposable yang sederhana namun kuat, fleksibilitas konfigurasi, dan sistem evaluasi otomatis membuat Prophet menjadi salah satu alat forecasting paling praktis dan ramah-analis yang pernah diciptakan.

 

Penulis

Felicia Natania Lingga, S.Kom. – FDP Scholar

 

References

Forecasting at scale. Prophet. https://facebook.github.io/prophet/ on 21 November 2025.

Matthew, J. 2023. Facebook’s Prophet Model for Time-Series Forecasting. Medium. Retrieved from: https://medium.com/%40james.matthew/facebooks-prophet-model-for-time-series-forecasting-aea0bfaffc94 on 21 November 2025.

Randula, D. 2025. Prophet by Meta: A Powerful Tool for Time Series Forecasting. Medium. Retrieved from: https://medium.com/%40dinethrandula2001/prophet-by-meta-a-powerful-tool-for-time-series-forecasting-4e8404074c0a on 21 November 2025.

Eum, J. 2025. Prophet — Time Series Forecasting by Facebook (Meta). Your Gateway To Data Mastery. Retrieved from: https://insightful-data-lab.com/2025/08/23/prophet-time-series-forecasting-by-facebook-meta/?utm_source=chatgpt.com on 21 November 2025.

Triebe, O., Hewamalage, H., Pilyugina, P., Laptev, N., Bergmeir, C., Rajagopal, R. 2021. Neuralprophet: Explainable forecasting at scale. arXiv preprint arXiv:2111.15397.

Taylor, S. J., Letham, B. 2017. Forecasting at scale. PeerJ Preprints 5:e3190v2 https://doi.org/10.7287/peerj.preprints.3190v2

Shaikh, F. 2021. Building a Meta Forecasting Model with Prophet and LSTM for Time series Forecasting. PyData Global. Retrieved from: https://pydata.org/global2021/schedule/ presentation/179/building-a-meta-forecasting-model-with-prophet-and-lstm-for-time-series-forecasting on 21 November 2025.