Skip to content
DJEONAILWork with me
Semua tulisan
9 menit bacaJeon Nathaniel

TimesFM, AI Google Buat Ramal Penjualan: Link dan Cara Pakainya

Dari reels “Komen GOOGLE”: link resmi TimesFM, cek fakta isi videonya, dan dua cara pakai, lewat Claude Code atau langsung dari Google Sheets. Plus satu soal lisensi yang wajib kamu tahu sebelum dipakai untuk bisnis.

ai googleforecastingclaude codegoogle sheets
Sampul: TimesFM, AI Google Buat Ramal Penjualan: Link dan Cara Pakainya

Kasih data penjualan, dia ramal 30 hari ke depan, tanpa kamu melatih model apa pun. Itu janji TimesFM, model AI dari Google Research yang khusus meramal data deret waktu (time series): penjualan harian, stok, trafik website, tagihan listrik, apa pun yang angkanya berubah dari waktu ke waktu.

Kalau kamu datang dari reels dan komen “GOOGLE”, ini link yang dijanjikan. Di bawahnya ada cek fakta isi video, dua cara pakainya (lewat Claude Code atau langsung dari Google Sheets), dan satu hal soal lisensi yang sering terlewat.

Link yang dijanjikan

Apa itu TimesFM

TimesFM singkatan dari Time Series Foundation Model. Cara kerjanya mirip model bahasa seperti ChatGPT, bedanya yang dipelajari bukan kata, melainkan pola angka dari waktu ke waktu. Karena sudah melihat sangat banyak pola, ia bisa langsung meramal data baru yang belum pernah dilihatnya. Istilah teknisnya zero-shot: tanpa contoh dan tanpa latihan khusus untuk datamu.

Versinya ada beberapa. Yang paling sering dipakai sekarang:

  • TimesFM 2.5 (September 2025): 200 juta parameter, bisa membaca riwayat sampai 16 ribu titik data. Bobot modelnya berlisensi Apache-2.0.
  • TimesFM 3.0 (Agustus 2026): 330 juta parameter, bisa meramal beberapa deret sekaligus (multivariat) dan memakai faktor luar secara bawaan. Menurut README, peringkat pertama di tiga benchmark utama: fev-bench, TIME, dan GIFT-Eval (untuk GIFT-Eval: peringkat pertama di antara foundation model).

Cek fakta isi video

Urutannya mengikuti video.

“Dilatih pakai lebih dari 100 miliar titik data”

Benar untuk versi pertamanya. Blog Google Research Februari 2024 menyebut TimesFM dilatih dengan 100 miliar titik waktu dari dunia nyata, antara lain Google Trends dan jumlah kunjungan halaman Wikipedia, ditambah data sintetis. Versi terbarunya lebih besar lagi: menurut blog Google Research 31 Agustus 2026, TimesFM 3.0 dilatih dengan lebih dari 1 triliun titik waktu, gabungan data nyata dan sintetis.

“Dulu harus training model sendiri, TimesFM skip semua itu”

Benar. Cara lama: kamu melatih model khusus untuk tiap data, lalu menyetelnya. TimesFM langsung dipakai. Menurut Google Research, hasil zero-shot-nya mendekati model terbaik yang dilatih khusus untuk tiap dataset. Kalau mau, model tetap bisa di-fine-tune (repo punya contohnya), tapi itu opsional.

“Dia kasih rentang dari skenario terbaik sampai terburuk”

Benar, dengan catatan. Selain angka ramalan utama (median), TimesFM mengeluarkan kuantil dari persentil ke-10 sampai ke-90. Jarak antara persentil 10 dan 90 itu rentang 80 persen: kira-kira 8 dari 10 kemungkinan jatuh di dalamnya. Jadi “terbaik” dan “terburuk” di sini artinya batas atas dan batas bawah rentang itu, bukan kemungkinan yang paling ekstrem. Angka aslinya tetap bisa keluar dari rentang.

Grafik ilustrasi: garis riwayat penjualan, garis ramalan median, dan pita rentang antara persentil 10 dan 90
Ilustrasi cara membaca hasil TimesFM. Garis tengah = median, pita = rentang 80 persen (persentil 10 sampai 90).

“Bisa ngitung faktor luar sekaligus: hari libur, cuaca, sampai harga”

Benar. Istilahnya covariates. TimesFM 3.0 mendukungnya secara bawaan, baik faktor yang hanya diketahui di masa lalu maupun yang sudah diketahui untuk masa depan, misalnya jadwal promo, hari libur, atau prakiraan cuaca. Di TimesFM 2.5 caranya lewat fitur tambahan bernama XReg.

“Install sendiri lewat Claude Code, atau langsung dari Google Sheets”

Dua-duanya ada jalur resminya. Repo TimesFM menyediakan skill resmi untuk agent seperti Claude Code, Cursor, dan Codex. Google juga sudah memasang TimesFM di Google Sheets, tapi lewat Connected Sheets: datamu harus ada di BigQuery, dan proyek Google Cloud-nya harus punya billing aktif. Detail langkahnya ada di bawah.

Perbandingan dua cara pakai TimesFM: lewat Claude Code di laptop dan lewat Google Sheets yang tersambung ke BigQuery
Dua cara pakai TimesFM yang disebut di video, dan syaratnya masing-masing.

Sebelum dipakai untuk bisnis: cek lisensinya

Bagian ini tidak ada di video, tapi penting kalau datanya data penjualan usahamu.

  • Kode TimesFM dan bobot model sampai versi 2.5: Apache-2.0. Boleh dipakai untuk bisnis.
  • Bobot TimesFM 3.0 yang diunduh dan dijalankan sendiri: lisensi non-komersial. README menulis jelas bahwa pemakaian komersial atau produksi dari bobot yang diunduh tidak diizinkan.
  • TimesFM 3.0 lewat layanan Google Cloud seperti BigQuery ML: boleh untuk komersial dan produksi, mengikuti syarat layanan Google Cloud.

Kabar baiknya: skill resmi untuk Claude Code memakai TimesFM 2.5, jadi aman dipakai untuk data bisnis.

Tiga cara memakai bobot TimesFM dan apakah boleh untuk bisnis
Ringkasan lisensi dari README repo per 3 November 2026.

Cara 1: lewat Claude Code (skill resmi)

Skill ini dibuat oleh kontributor komunitas (@borealBytes) dan dimasukkan ke repo resmi pada Maret 2026. Isinya instruksi untuk agent: cek kemampuan laptop dulu, instal TimesFM, lalu meramal dari CSV, DataFrame, atau array.

Yang kamu butuhkan

  • Claude Code yang sudah terpasang.
  • Python 3.10 atau lebih baru.
  • RAM minimal 4 GB. Antara 2 sampai 4 GB masih bisa dengan peringatan RAM mepet (mode CPU, batch kecil); di bawah 2 GB diblokir oleh pemeriksa sistemnya.
  • Ruang disk kosong sekitar 2 GB. Model TimesFM 2.5 (sekitar 800 MB) diunduh otomatis dari Hugging Face saat pertama dipakai.
  • GPU tidak wajib. Tanpa GPU tetap jalan, hanya lebih lambat.

Langkahnya

1. Unduh repo-nya.

git clone https://github.com/google-research/timesfm.git
cd timesfm

2. Salin skill-nya ke folder skill Claude Code. Caranya dari file AGENTS.md di repo. Di macOS atau Linux:

mkdir -p ~/.claude/skills
cp -r timesfm-forecasting ~/.claude/skills/

Sengaja tanpa garis miring di belakang timesfm-forecasting: di macOS, garis miring itu membuat yang tersalin hanya isi foldernya, bukan foldernya. Di Windows (PowerShell):

New-Item -ItemType Directory -Force "$HOME\.claude\skills" | Out-Null
Copy-Item -Recurse timesfm-forecasting "$HOME\.claude\skills\"

3. Siapkan datamu sebagai CSV. Satu kolom tanggal dan satu atau beberapa kolom angka, misalnya tanggal dan penjualan. Menurut checklist di skill-nya, tiap deret minimal punya 32 titik data.

4. Buka Claude Code di folder tempat CSV-mu berada, lalu minta seperti di video:

install TimesFM terus forecast penjualan.csv

Sesuai isi skill-nya, agent akan menjalankan pemeriksa sistem dulu (check_system.py) untuk memastikan RAM, GPU, dan disk cukup, baru menginstal timesfm[torch], memuat TimesFM 2.5, lalu meramal.

5. Baca hasilnya. Kamu mendapat ramalan median plus kuantil. Batas bawah rentang 80 persen = persentil 10, batas atas = persentil 90.

Tanpa Claude Code: jalankan skrip resminya langsung

Skill yang sama punya skrip siap pakai. Dari folder repo:

pip install timesfm[torch]
python timesfm-forecasting/scripts/check_system.py
python timesfm-forecasting/scripts/forecast_csv.py penjualan.csv --horizon 30 --date-col tanggal --value-cols penjualan --output ramalan.csv

Ganti tanggal dan penjualan dengan nama kolom di CSV-mu. --horizon 30 artinya meramal 30 langkah ke depan; kalau datamu harian, berarti 30 hari.

Mau pakai faktor luar?

Di TimesFM 2.5, faktor seperti harga, promo, dan hari libur dimasukkan lewat fungsi forecast_with_covariates(). Fitur ini butuh paket tambahan:

pip install timesfm[xreg]

Satu hal dari skill-nya yang perlu diingat: faktor luar yang dinamis harus punya nilai untuk riwayat dan seluruh periode yang mau diramal. Contohnya, kalau mau meramal 30 hari, jadwal promo 30 hari itu juga harus sudah ada.

Cara 2: langsung dari Google Sheets

Fiturnya bernama “Forecast data in Connected Sheets using BigQuery ML and TimesFM”. Menurut pengumuman Google, fitur ini tersedia untuk semua pelanggan Google Workspace dan pemilik akun Google pribadi.

Yang kamu butuhkan

  • Akun Google.
  • Proyek Google Cloud dengan billing aktif. Ini syarat Connected Sheets.
  • Datamu di tabel BigQuery, bukan sekadar di lembar Sheets biasa.

Langkahnya

1. Pindahkan CSV ke BigQuery. Di konsol BigQuery: klik Explorer, buka proyekmu, pilih Datasets, lalu pilih dataset (buat dulu kalau belum ada). Klik Create table, di bagian Source pilih Upload untuk “Create table from”, klik Browse dan pilih CSV-mu, format CSV, centang Auto-detect di bagian Schema, lalu Create Table. Dari konsol, file lokal maksimal 100 MB.

2. Sambungkan tabelnya ke Google Sheets. Di Google Sheets klik Data, lalu Data connectors, lalu Connect to BigQuery. Pilih proyek, dataset, dan tabelmu, lalu Connect.

3. Buat forecast-nya. Di tampilan Preview, klik Advanced Analytics, lalu Create a Forecast.

4. Atur parameternya. Tentukan horizon (seberapa jauh ke depan, misalnya 30 hari) dan confidence interval. Untuk banyak produk sekaligus, pakai breakout per kolom, misalnya per produk, jadi tiap produk punya ramalannya sendiri.

5. Lihat grafiknya. Untuk satu deret, Sheets otomatis membuat grafik ramalan di samping data historisnya.

Versi SQL untuk yang terbiasa BigQuery

Kalau kamu lebih nyaman langsung di BigQuery, TimesFM dipanggil lewat fungsi AI.FORECAST. Ini contoh dari dokumentasi resminya untuk meramal 30 langkah ke depan:

SELECT * FROM AI.FORECAST(
  TABLE `mydataset.input_table`,
  data_col => 'units_sold',
  timestamp_col => 'sales_date',
  horizon => 30);

Beberapa nilai bawaannya menurut dokumentasi: model default TimesFM 2.5 (TimesFM 3.0 masih Preview), horizon default 10, confidence level default 0,95, dan minimal 3 titik data.

Checklist sebelum mulai

Ramalan tetap ramalan: angka dari masa lalu tidak tahu kejadian yang belum pernah terjadi di datamu. Pakai rentangnya, bukan cuma angka tengahnya, saat memutuskan stok atau target.

Kalau kamu ingin AI yang bukan cuma meramal tapi juga mengerjakan tugas bisnismu, ada AI Agent Masterclass di learn.djeonail.com.

Sumber dan pembaruan

Artikel ini dikembangkan dari reels Djeonail “AI paling underrated dari Google”. Fakta dicocokkan ulang dengan sumber berikut pada 3 November 2026.

Newsletter

Mau dapat kabar tiap ada tulisan baru?

Subscribe newsletter gratis dengan nama, email, dan nomor WhatsApp. Tulisan dan panduan baru akan dikabarkan ke kamu. Tanpa daftar akun.

Sesekali saja, dan bisa berhenti kapan pun

Ada yang mau ditanyakan soal tulisan ini? Kirim email.