Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Mendapatkan wawasan dengan pembelajaran mesin (ML) di Amazon Quick Sight
<a name="making-data-driven-decisions-with-ml-in-quicksight"></a>

Amazon Quick Sight menggunakan pembelajaran mesin untuk membantu Anda menemukan wawasan dan tren tersembunyi dalam data Anda, mengidentifikasi driver utama, dan memperkirakan metrik bisnis. Anda juga dapat menggunakan wawasan ini dalam narasi bahasa alami yang disematkan di dasbor. 

Menggunakan pembelajaran mesin (ML) dan kemampuan bahasa alami, Amazon Quick Sight Enterprise Edition membawa Anda melampaui analisis deskriptif dan diagnostik, dan meluncurkan Anda ke dalam peramalan dan pengambilan keputusan. Anda dapat memahami data Anda secara sekilas, membagikan temuan Anda, dan menemukan keputusan terbaik untuk mencapai tujuan Anda. Anda dapat melakukan ini tanpa mengembangkan tim dan teknologi untuk membuat model dan algoritma pembelajaran mesin yang diperlukan. 

Anda mungkin telah membangun visualisasi yang menjawab pertanyaan tentang apa yang terjadi, kapan, di mana, dan memberikan penelusuran untuk penyelidikan dan identifikasi pola. Dengan wawasan ML, Anda dapat menghindari menghabiskan waktu berjam-jam menganalisis dan menyelidiki secara manual. Anda dapat memilih dari daftar narasi sensitif konteks yang disesuaikan, yang disebut *autonarratives*, dan menambahkannya ke analisis Anda. Selain memilih autonarrative, Anda dapat memilih untuk melihat prakiraan, anomali, dan faktor yang berkontribusi terhadapnya. Anda juga dapat menambahkan autonarrative yang menjelaskan takeaways kunci dalam bahasa sederhana, memberikan satu kebenaran berbasis data untuk perusahaan Anda. 

Seiring berjalannya waktu dan data mengalir melalui sistem, Amazon Quick Sight terus belajar sehingga dapat memberikan wawasan yang lebih relevan. Alih-alih memutuskan apa arti data, Anda dapat memutuskan apa yang harus dilakukan dengan informasi yang diberikannya. 

Dengan fondasi bersama berdasarkan pembelajaran mesin, semua analis dan pemangku kepentingan Anda dapat melihat tren, anomali, perkiraan, dan narasi khusus yang dibangun di atas jutaan metrik. Mereka dapat melihat akar penyebab, mempertimbangkan perkiraan, mengevaluasi risiko, dan membuat keputusan yang tepat dan dapat dibenarkan. 

Anda dapat membuat dasbor seperti ini tanpa analisis manual, tanpa keterampilan pengembangan khusus, dan tanpa pemahaman tentang pemodelan atau algoritme pembelajaran mesin. Semua kemampuan ini dibangun ke dalam Amazon Quick Sight Enterprise Edition.

**catatan**  
Kemampuan pembelajaran mesin digunakan sesuai kebutuhan di seluruh produk. Fitur yang secara aktif menggunakan pembelajaran mesin diberi label seperti itu. 

Dengan MLInsights, Amazon Quick Sight menyediakan tiga fitur utama:
+ **Deteksi anomali bertenaga ML —** Amazon Quick Sight menggunakan teknologi pembelajaran mesin Amazon yang telah terbukti untuk terus menganalisis semua data Anda guna mendeteksi anomali (outlier). Anda dapat mengidentifikasi driver teratas yang berkontribusi terhadap perubahan signifikan dalam metrik bisnis Anda, seperti higher-than-expected penjualan atau penurunan lalu lintas situs web Anda. Amazon Quick Sight menggunakan algoritma Random Cut Forest pada jutaan metrik dan miliaran titik data. Melakukan hal ini memungkinkan Anda untuk mendapatkan wawasan mendalam yang sering terkubur dalam agregat, tidak dapat diakses melalui analisis manual. 
+ **Peramalan bertenaga ML -** Amazon Quick Sight memungkinkan pengguna nonteknis untuk memperkirakan metrik bisnis utama mereka dengan percaya diri. Algoritma MS Random Cut Forest bawaan secara otomatis menangani skenario dunia nyata yang kompleks seperti mendeteksi musim dan tren, mengecualikan outlier, dan memasukkan nilai yang hilang. Anda dapat berinteraksi dengan data dengan point-and-click mudah.
+ **Autonarratives** — Dengan menggunakan narasi otomatis di Amazon Quick Sight, Anda dapat membangun dasbor kaya dengan narasi tertanam untuk menceritakan kisah data Anda dalam bahasa sederhana. Melakukan hal ini dapat menghemat berjam-jam memilah-milah bagan dan tabel untuk mengekstrak wawasan utama untuk pelaporan. Ini juga menciptakan pemahaman bersama tentang data dalam organisasi Anda sehingga Anda membuat keputusan lebih cepat. Anda dapat menggunakan autonarrative yang disarankan, atau Anda dapat menyesuaikan perhitungan dan bahasa untuk memenuhi persyaratan unik Anda. Amazon Quick Sight seperti menyediakan analis data pribadi untuk semua pengguna Anda.

**Topics**
+ [Memahami algoritma ML yang digunakan oleh Amazon Quick Sight](concept-of-ml-algorithms.md)
+ [Persyaratan kumpulan data untuk menggunakan wawasan ML dengan Amazon Quick Sight](ml-data-set-requirements.md)
+ [Bekerja dengan wawasan di Amazon Quick Sight](computational-insights.md)
+ [Membuat autonarrative dengan Amazon Quick Sight](narratives-creating.md)
+ [Mendeteksi outlier dengan deteksi anomali bertenaga ML](anomaly-detection.md)
+ [Meramalkan dan membuat skenario bagaimana-jika dengan Amazon Quick Sight](forecasts-and-whatifs.md)

# Memahami algoritma ML yang digunakan oleh Amazon Quick Sight
<a name="concept-of-ml-algorithms"></a>


|  | 
| --- |
|  Anda tidak memerlukan pengalaman teknis apa pun dalam pembelajaran mesin untuk menggunakan fitur yang didukung ML di Amazon Quick Sight. Bagian ini menyelami aspek teknis algoritme, bagi mereka yang menginginkan detail tentang cara kerjanya. Informasi ini tidak perlu dibaca untuk menggunakan fitur-fiturnya.   | 

Amazon Quick Sight menggunakan versi bawaan dari algoritma Random Cut Forest (RCF). Bagian berikut menjelaskan apa artinya itu dan bagaimana penggunaannya di Amazon Quick Sight.

Pertama, mari kita lihat beberapa terminologi yang terlibat: 
+ Anomali — Sesuatu yang ditandai dengan perbedaannya dari mayoritas hal lain dalam sampel yang sama. Juga dikenal sebagai outlier, pengecualian, penyimpangan, dan sebagainya.
+ Titik data — Unit diskrit — atau sederhananya, baris — dalam kumpulan data. Namun, baris dapat memiliki beberapa titik data jika Anda menggunakan ukuran pada dimensi yang berbeda.
+ Pohon Keputusan — Cara memvisualisasikan proses keputusan algoritma yang mengevaluasi pola dalam data.
+ Forecast — Prediksi perilaku masa depan berdasarkan perilaku saat ini dan masa lalu.
+ Model — Representasi matematis dari algoritma atau apa yang dipelajari algoritma.
+ Musiman — Pola perilaku berulang yang terjadi secara siklis dalam data deret waktu.
+ Deret waktu - Kumpulan data tanggal atau waktu yang diurutkan dalam satu bidang atau kolom.

**Topics**
+ [Apa perbedaan antara deteksi anomali dan peramalan?](difference-between-anomaly-detection-and-forecasting.md)
+ [Apa itu RCF?](what-is-random-cut-forest.md)
+ [Bagaimana RCF diterapkan untuk mendeteksi anomali](how-does-rcf-detect-anomalies.md)
+ [Bagaimana RCF diterapkan untuk menghasilkan prakiraan](how-does-rcf-generate-forecasts.md)
+ [Referensi untuk pembelajaran mesin dan RCF](learn-more-about-machine-learning-and-rcf.md)

# Apa perbedaan antara deteksi anomali dan peramalan?
<a name="difference-between-anomaly-detection-and-forecasting"></a>

Deteksi anomali mengidentifikasi outlier dan driver yang berkontribusi untuk menjawab pertanyaan “Apa yang terjadi yang biasanya tidak terjadi?” Peramalan menjawab pertanyaan “Jika semuanya terus terjadi seperti yang diharapkan, apa yang terjadi di masa depan?” Matematika yang memungkinkan peramalan juga memungkinkan kita untuk bertanya “Jika beberapa hal berubah, apa yang terjadi kemudian?” 

Deteksi anomali dan peramalan dimulai dengan memeriksa titik data yang diketahui saat ini. Deteksi anomali Amazon Quick Sight dimulai dengan apa yang diketahui sehingga dapat menetapkan apa yang berada di luar set yang diketahui, dan mengidentifikasi titik-titik data tersebut sebagai anomali (outlier). Peramalan Amazon Quick Sight mengecualikan titik data anomali, dan tetap dengan pola yang diketahui. Peramalan berfokus pada pola distribusi data yang ditetapkan. Sebaliknya, deteksi anomali berfokus pada titik data yang menyimpang dari apa yang diharapkan. Setiap metode mendekati pengambilan keputusan dari arah yang berbeda. 

# Apa itu RCF?
<a name="what-is-random-cut-forest"></a>

*Random Cut Forest* (RCF) adalah jenis khusus dari algoritma *hutan acak* (RF), teknik yang banyak digunakan dan berhasil dalam pembelajaran mesin. Dibutuhkan satu set titik data acak, memotongnya ke jumlah titik yang sama, dan kemudian membangun kumpulan model. Sebaliknya, model sesuai dengan pohon keputusan—demikian nama hutan. Karena tidak RFs dapat dengan mudah diperbarui secara bertahap, RCFs ditemukan dengan variabel dalam konstruksi pohon yang dirancang untuk memungkinkan pembaruan tambahan. 

Sebagai algoritma tanpa pengawasan, RCF menggunakan analisis cluster untuk mendeteksi lonjakan data deret waktu, jeda periodisitas atau musiman, dan pengecualian titik data. Hutan tebang acak dapat berfungsi sebagai sinopsis atau sketsa aliran data dinamis (atau urutan angka yang diindeks waktu). Jawaban atas pertanyaan kami tentang aliran keluar dari sinopsis itu. Karakteristik berikut membahas aliran dan bagaimana kami membuat koneksi ke deteksi dan peramalan anomali:
+ *Algoritma streaming* adalah algoritma online dengan jejak memori kecil. Algoritma online membuat keputusan tentang titik input yang diindeks oleh waktu **t** sebelum melihat titik **(t\$11) - st**. Memori kecil memungkinkan algoritma gesit yang dapat menghasilkan jawaban dengan latensi rendah dan memungkinkan pengguna untuk berinteraksi dengan data.
+ Menghormati pemesanan yang diberlakukan oleh waktu, seperti dalam algoritma *online*, diperlukan dalam deteksi dan peramalan anomali. Jika kita sudah tahu apa yang akan terjadi lusa, maka memprediksi apa yang terjadi besok bukanlah perkiraan—itu hanya menginterpolasi nilai hilang yang tidak diketahui. Demikian pula, produk baru yang diperkenalkan hari ini bisa menjadi anomali, tetapi tidak selalu menjadi anomali pada akhir kuartal berikutnya. 

# Bagaimana RCF diterapkan untuk mendeteksi anomali
<a name="how-does-rcf-detect-anomalies"></a>

Manusia dapat dengan mudah membedakan titik data yang menonjol dari data lainnya. RCF melakukan hal yang sama dengan membangun “hutan” pohon keputusan, dan kemudian memantau bagaimana titik data baru mengubah hutan. 

*Anomali* adalah titik data yang menarik perhatian Anda dari titik normal—pikirkan gambar bunga merah di bidang bunga kuning. “Perpindahan perhatian” ini dikodekan dalam posisi (diharapkan) pohon (yaitu, model dalam RCF) yang akan ditempati oleh titik input. Idenya adalah untuk membuat hutan di mana setiap pohon keputusan tumbuh dari partisi data sampel untuk melatih algoritma. Dalam istilah yang lebih teknis, setiap pohon membangun jenis pohon partisi ruang biner tertentu pada sampel. Saat Amazon Quick Sight mengambil sampel data, RCF menetapkan setiap titik data skor anomali. Ini memberikan skor yang lebih tinggi ke titik data yang terlihat anomali. Skornya, dalam perkiraan, berbanding terbalik dengan kedalaman titik yang dihasilkan di pohon. Hutan potong acak memberikan skor anomali dengan menghitung skor rata-rata dari setiap pohon penyusun dan menskalakan hasilnya sehubungan dengan ukuran sampel. 

Suara atau skor dari model yang berbeda dikumpulkan karena masing-masing model dengan sendirinya merupakan prediktor yang lemah. Amazon Quick Sight mengidentifikasi titik data sebagai anomali ketika skornya berbeda secara signifikan dari poin terbaru. Apa yang memenuhi syarat sebagai anomali tergantung pada aplikasi. 

Paper [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf) memberikan beberapa contoh deteksi anomali state-of-the-art online ini (deteksi anomali deret waktu). RCFsdigunakan pada segmen yang berdekatan atau “herpes zoster” data, di mana data di segmen langsung bertindak sebagai konteks untuk yang terbaru. Versi sebelumnya dari algoritma deteksi anomali berbasis RCF mencetak seluruh sirap. Algoritma di Amazon Quick Sight juga menyediakan perkiraan lokasi anomali dalam konteks yang diperluas saat ini. Perkiraan lokasi ini dapat berguna dalam skenario di mana ada keterlambatan dalam mendeteksi anomali. Penundaan terjadi karena algoritma apa pun perlu mengkarakterisasi “penyimpangan yang terlihat sebelumnya” menjadi “penyimpangan anomali,” yang dapat terungkap selama beberapa waktu. 

# Bagaimana RCF diterapkan untuk menghasilkan prakiraan
<a name="how-does-rcf-generate-forecasts"></a>

Untuk memperkirakan nilai berikutnya dalam urutan waktu stasioner, algoritma RCF menjawab pertanyaan “Apa yang akan menjadi penyelesaian yang paling mungkin, setelah kita memiliki nilai kandidat?” Ini menggunakan satu pohon di RCF untuk melakukan pencarian kandidat terbaik. Kandidat di berbagai pohon dikumpulkan, karena setiap pohon dengan sendirinya merupakan prediktor yang lemah. Agregasi juga memungkinkan pembuatan kesalahan kuantil. Proses ini diulang **t** kali untuk memprediksi nilai **t** −th di masa depan. 

Algoritma di Amazon Quick Sight disebut *BIFOCAL*. Ini menggunakan dua RCFs untuk membuat FOrest arsitektur CALibrated BI. RCF pertama digunakan untuk menyaring anomali dan memberikan perkiraan yang lemah, yang dikoreksi oleh yang kedua. Secara keseluruhan, pendekatan ini memberikan perkiraan yang jauh lebih kuat dibandingkan dengan algoritme lain yang tersedia secara luas seperti ETS. 

Jumlah parameter dalam algoritma peramalan Amazon Quick Sight secara signifikan lebih sedikit daripada algoritma lain yang tersedia secara luas. Ini memungkinkannya berguna di luar kotak, tanpa penyesuaian manusia untuk sejumlah besar titik data deret waktu. Karena semakin banyak data yang terakumulasi dalam deret waktu tertentu, perkiraan di Amazon Quick Sight dapat menyesuaikan dengan penyimpangan data dan perubahan pola. Untuk deret waktu yang menunjukkan tren, deteksi tren dilakukan terlebih dahulu untuk membuat seri stasioner. Perkiraan urutan stasioner itu diproyeksikan kembali dengan tren. 

Karena algoritme bergantung pada algoritma online yang efisien (RCF), ia dapat mendukung kueri “bagaimana-jika” interaktif. Dalam hal ini, beberapa prakiraan dapat diubah dan diperlakukan sebagai hipotetis untuk memberikan perkiraan bersyarat. Ini adalah asal dari kemampuan untuk mengeksplorasi skenario “bagaimana-jika” selama analisis. 

# Referensi untuk pembelajaran mesin dan RCF
<a name="learn-more-about-machine-learning-and-rcf"></a>

Untuk mempelajari lebih lanjut tentang pembelajaran mesin dan algoritma ini, kami menyarankan sumber daya berikut:
+ Artikel [Robust Random Cut Forest (RRCF): Penjelasan Tanpa Matematika memberikan penjelasan](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) yang jelas tanpa persamaan matematika. 
+ Buku [*The Elements of Statistical Learning: Data Mining, Inference, and Prediction*, Second Edition (Springer Series in Statistics)](https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576) memberikan landasan menyeluruh pada pembelajaran mesin. 
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf), sebuah paper ilmiah yang menyelami jauh ke dalam teknis deteksi dan peramalan anomali, dengan contoh. 

Pendekatan yang berbeda untuk RCF muncul di layanan lain AWS . Jika Anda ingin menjelajahi bagaimana RCF digunakan di layanan lain, lihat berikut ini:
+ *Layanan Terkelola Amazon untuk Apache Flink Referensi SQL:* [https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html)
+ *Panduan SageMaker Pengembang Amazon: Algoritma* [Random Cut Forest (RCF)](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html). Pendekatan ini juga dijelaskan dalam [The Random Cut Forest Algorithm](https://freecontent.manning.com/the-randomcutforest-algorithm/), sebuah chapter di [Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (Oktober 2018). 

# Persyaratan kumpulan data untuk menggunakan wawasan ML dengan Amazon Quick Sight
<a name="ml-data-set-requirements"></a>

Untuk mulai menggunakan kemampuan pembelajaran mesin Amazon Quick Sight, Anda harus terhubung ke atau mengimpor data Anda. Anda dapat menggunakan kumpulan data Amazon Quick Sight yang ada atau membuat yang baru. Anda dapat langsung menanyakan sumber yang kompatibel dengan SQL Anda, atau memasukkan data ke dalamnya. SPICE 

Data harus memiliki properti berikut: 
+  Setidaknya satu metrik (misalnya, penjualan, pesanan, unit yang dikirim, pendaftaran, dan sebagainya). 
+  Setidaknya satu dimensi kategori (misalnya, kategori produk, saluran, segmen, industri, dan sebagainya). Kategori dengan nilai NULL diabaikan.
+ Deteksi anomali membutuhkan minimal 15 titik data untuk pelatihan. Misalnya, jika butir data Anda setiap hari, Anda memerlukan setidaknya 15 hari data. Jika biji-bijian bulanan, Anda memerlukan setidaknya 15 bulan data. 
+ Peramalan bekerja paling baik dengan lebih banyak data. Pastikan kumpulan data Anda memiliki data historis yang cukup untuk hasil yang optimal. Misalnya, jika butir data Anda setiap hari, Anda memerlukan setidaknya 38 hari data. Jika biji-bijian bulanan, Anda memerlukan setidaknya 43 bulan data. Berikut ini adalah persyaratan untuk setiap butir waktu:
  + Tahun: 32 titik data
  + Kuartal: 35 titik data
  + Bulan: 43 titik data
  + Minggu: 35 titik data
  + Hari: 38 titik data
  + Jam: 39 titik data
  + Menit: 46 titik data
  + Detik: 46 titik data
+ Jika Anda ingin menganalisis anomali atau prakiraan, Anda juga memerlukan setidaknya satu dimensi tanggal. 

Jika Anda tidak memiliki kumpulan data untuk memulai, Anda dapat mengunduh kumpulan data sampel ini: Kumpulan Data Sampel Insights [ML Insights VI](samples/ml-insights.csv.zip). Setelah Anda menyiapkan kumpulan data, buat analisis baru dari kumpulan data.

# Bekerja dengan wawasan di Amazon Quick Sight
<a name="computational-insights"></a>

Di Amazon Quick Sight, Anda dapat menambahkan perhitungan ready-to-use analitis ke analisis Anda sebagai widget. Anda dapat bekerja dengan wawasan dengan dua cara:
+ **Wawasan yang disarankan**

  Amazon Quick Sight membuat daftar wawasan yang disarankan berdasarkan interpretasinya terhadap data yang Anda masukkan ke dalam visual Anda. Daftar berubah berdasarkan konteks. Dengan kata lain, Anda dapat melihat saran yang berbeda tergantung pada bidang apa yang Anda tambahkan ke visual Anda dan jenis visual apa yang Anda pilih. Misalnya, jika Anda memiliki visualisasi deret waktu, wawasan Anda mungkin mencakup period-over-period perubahan, anomali, dan perkiraan. Saat Anda menambahkan lebih banyak visualisasi ke analisis Anda, Anda menghasilkan lebih banyak wawasan yang disarankan.
+ **Wawasan khusus**

  Wawasan khusus memungkinkan Anda membuat perhitungan sendiri, menggunakan kata-kata Anda sendiri untuk memberikan konteks ke bidang yang muncul di widget. Saat Anda membuat wawasan khusus, Anda menambahkannya ke analisis, lalu pilih jenis perhitungan apa yang ingin Anda gunakan. Kemudian, Anda dapat menambahkan teks dan format untuk membuatnya terlihat seperti yang Anda inginkan. Anda juga dapat menambahkan lebih banyak bidang, perhitungan, dan parameter.

Anda dapat menambahkan kombinasi wawasan yang disarankan dan khusus ke analisis Anda, untuk menciptakan lingkungan pengambilan keputusan yang paling sesuai dengan tujuan Anda.

**Topics**
+ [Menambahkan wawasan yang disarankan](adding-suggested-insights.md)
+ [Menambahkan wawasan khusus ke analisis Anda](adding-insights.md)

# Menambahkan wawasan yang disarankan
<a name="adding-suggested-insights"></a>

Gunakan prosedur berikut untuk menambahkan wawasan yang disarankan ke analisis Anda.

Sebelum memulai, pastikan dataset Anda memenuhi kriteria yang diuraikan. [Persyaratan kumpulan data untuk menggunakan wawasan ML dengan Amazon Quick Sight](ml-data-set-requirements.md)

1. Mulailah dengan analisis yang memiliki beberapa bidang yang ditambahkan ke visual. 

1. Di sebelah kiri, pilih **Wawasan**. Panel **Insights** membuka dan menampilkan daftar wawasan yang ready-to-use disarankan. 

   Setiap visual juga menampilkan kotak kecil di batas atasnya untuk menampilkan berapa banyak wawasan yang tersedia untuk visual itu. Anda dapat memilih kotak ini untuk membuka panel **Wawasan**, dan itu terbuka untuk tampilan apa pun yang baru-baru ini Anda buka.

   Gulir ke bawah untuk melihat lebih banyak wawasan. 

   Wawasan yang muncul dikontrol oleh tipe data bidang yang Anda pilih untuk disertakan dalam visual Anda. Daftar ini dibuat setiap kali Anda mengubah visual Anda. Jika Anda membuat perubahan, periksa **Wawasan** untuk melihat apa yang baru. Untuk mendapatkan wawasan tertentu, lihat[Menambahkan wawasan khusus ke analisis Anda](adding-insights.md).

1. (Opsional) Buka menu konteks dengan lebih banyak opsi untuk salah satu wawasan. Untuk melakukan ini, pilih elips di kanan atas wawasan (**...).**

   Pilihannya berbeda untuk setiap jenis wawasan. Opsi yang dapat Anda gunakan untuk berinteraksi antara lain sebagai berikut:
   + **Ubah agregasi deret waktu** — Untuk tahun, kuartal, bulan, minggu, hari, jam, atau menit.
   + **Analisis kontribusi terhadap metrik** — Pilih kontributor dan kerangka waktu untuk dianalisis.
   + **Tampilkan semua anomali** — Jelajahi anomali dalam kerangka waktu ini.
   + **Edit perkiraan** — Pilih panjang perkiraan, interval prediksi, dan musim.
   + **Fokus pada** atau **Kecualikan** — Perbesar atau perkecil data dimensi Anda.
   + **Tampilkan detail** — Lihat informasi selengkapnya tentang anomali terbaru (outlier).
   + Berikan umpan balik tentang kegunaan wawasan dalam analisis Anda.

1. Tambahkan wawasan yang disarankan ke analisis Anda dengan memilih tanda plus (**\$1**) di dekat judul wawasan.

1. (Opsional) Setelah menambahkan wawasan ke analisis, sesuaikan narasi yang ingin ditampilkan. Untuk melakukan ini, pilih menu on-visual berbentuk **v**, lalu pilih **Sesuaikan** narasi. Untuk informasi selengkapnya, lihat [Membuat autonarrative dengan Amazon Quick Sight](narratives-creating.md).

   Jika wawasan Anda adalah untuk anomali (outlier), Anda juga dapat mengubah pengaturan untuk pekerjaan deteksi anomali. Untuk melakukan ini, pilih **Konfigurasi anomali**. Untuk informasi selengkapnya, lihat [Menyiapkan deteksi anomali bertenaga ML untuk analisis outlier](anomaly-detection-using.md).

1. (Opsional) Untuk menghapus wawasan dari analisis Anda, pilih menu on-visual berbentuk **v** di kanan atas visual. Lalu pilih **Hapus**. 

# Menambahkan wawasan khusus ke analisis Anda
<a name="adding-insights"></a>

Jika Anda tidak ingin menggunakan wawasan yang disarankan, Anda dapat membuat wawasan khusus Anda sendiri. Gunakan prosedur berikut untuk membuat wawasan komputasi kustom.

1. Mulailah dengan analisis yang ada. Di bilah menu atas, pilih **Add \$1**. Kemudian pilih **Add Insight**. 

   Wadah untuk wawasan baru ditambahkan ke analisis.

1. Lakukan salah satu tindakan berikut:
   + Pilih perhitungan yang ingin Anda gunakan dari daftar. Saat Anda memilih setiap item, contoh output wawasan itu ditampilkan. Ketika Anda menemukan salah satu yang ingin Anda gunakan, pilih **Pilih**. 
   + Keluar dari layar ini dan sesuaikan wawasan secara manual. Wawasan yang tidak dikonfigurasi memiliki tombol **Kustomisasi wawasan**. Pilih tombol untuk membuka layar **Konfigurasi narasi**. Untuk informasi selengkapnya tentang penggunaan editor ekspresi, lihat[Membuat autonarrative dengan Amazon Quick Sight](narratives-creating.md). 

   Karena Anda memulai penciptaan wawasan, itu tidak didasarkan pada visual yang ada. Ketika wawasan ditambahkan ke analisis, ini akan menampilkan catatan yang menunjukkan jenis data apa yang dibutuhkan untuk menyelesaikan permintaan Anda. Misalnya, mungkin meminta **1 dimensi dalam Waktu**. Dalam hal ini, Anda menambahkan dimensi ke bidang **Waktu** dengan baik. 

1. Setelah Anda memiliki data yang benar, ikuti petunjuk layar yang tersisa untuk menyelesaikan pembuatan wawasan khusus.

1. (Opsional) Untuk menghapus wawasan dari analisis Anda, pilih menu on-visual berbentuk **v** di kanan atas visual. Lalu pilih **Hapus**. 

# Membuat autonarrative dengan Amazon Quick Sight
<a name="narratives-creating"></a>

*Autonarrative* adalah widget ringkasan bahasa alami yang menampilkan teks deskriptif alih-alih bagan. Anda dapat menyematkan widget ini di seluruh analisis Anda untuk menyoroti wawasan dan info utama. Anda tidak perlu menyaring visual, menelusuri, membandingkan nilai, dan memeriksa ulang ide untuk mengekstrak kesimpulan. Anda juga tidak perlu mencoba memahami apa arti data, atau mendiskusikan interpretasi yang berbeda dengan rekan kerja Anda. Sebagai gantinya, Anda dapat memperkirakan kesimpulan dari data, dan menampilkannya dalam analisis, yang dinyatakan dengan jelas. Satu interpretasi dapat dibagikan oleh semua orang.

Amazon Quick Sight secara otomatis menafsirkan bagan dan tabel di dasbor Anda dan memberikan sejumlah wawasan yang disarankan dalam bahasa alami. Wawasan yang disarankan yang dapat Anda pilih sudah jadi dan dilengkapi dengan kata-kata, perhitungan, dan fungsi. Tetapi Anda dapat mengubahnya jika Anda mau. Anda juga bisa mendesain sendiri. Sebagai penulis dasbor, Anda memiliki fleksibilitas lengkap untuk menyesuaikan perhitungan dan bahasa untuk kebutuhan Anda. Anda dapat menggunakan narasi untuk secara efektif menceritakan kisah data Anda dalam bahasa sederhana.

**catatan**  
Narasi terpisah dari pembelajaran mesin. Mereka hanya menggunakan ML jika Anda menambahkan perkiraan atau perhitungan anomali (outlier) ke dalamnya.

**Topics**
+ [Wawasan yang mencakup autonarratif](auto-narratives.md)
+ [Gunakan editor ekspresi naratif](using-narratives-expression-editor-step-by-step.md)
+ [Ruang kerja editor ekspresi](using-narratives-expression-editor-menus.md)
+ [Menambahkan URLs](using-narratives-expression-editor-urls.md)
+ [Bekerja dengan komputasi autonarratif](auto-narrative-computations.md)

# Wawasan yang mencakup autonarratif
<a name="auto-narratives"></a>

Saat Anda menambahkan wawasan, juga dikenal sebagai autonarratif, ke analisis Anda, Anda dapat memilih dari templat berikut. Dalam daftar berikut, mereka didefinisikan oleh contoh. Setiap definisi mencakup daftar bidang minimum yang diperlukan agar autonarratif berfungsi. Jika Anda hanya menggunakan wawasan yang disarankan di tab **Wawasan**, pilih bidang yang sesuai untuk mendapatkan wawasan yang muncul di daftar wawasan yang disarankan.

Untuk informasi selengkapnya tentang menyesuaikan autonarrative, lihat. [Bekerja dengan komputasi autonarratif](auto-narrative-computations.md)
+ **Peringkat bawah** — Misalnya, tiga negara bagian terbawah berdasarkan pendapatan penjualan. Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Kategori** dengan baik. 
+ **Penggerak bawah** — Misalnya, tiga produk terbawah terjual, berdasarkan pendapatan penjualan. Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya satu dimensi di bidang **Kategori** dengan baik. 
+ **Forecast** *(wawasan bertenaga ML)* - Misalnya, “Total penjualan diperkirakan sebesar \$158.613 untuk Januari 2016.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik. 
+ **Tingkat pertumbuhan** — Misalnya, “Tingkat pertumbuhan gabungan 3 bulan untuk penjualan adalah 22.23%.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik. 
+ **Maksimum** - Misalnya, “Bulan tertinggi adalah November 2014 dengan penjualan \$1112.326.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik. 
+ **Perbandingan metrik** — Misalnya, “Total penjualan untuk Desember 2014 adalah \$190.474, 10% lebih tinggi dari target \$181,426.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya dua ukuran di bidang **Nilai** dengan baik. 
+ **Minimum** — Misalnya, “Bulan terendah adalah Februari 2011 dengan penjualan \$14,810.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik. 
+ **Deteksi anomali** *(wawasan bertenaga ML)* - Misalnya, tiga outlier teratas dan pendorong kontribusinya untuk total penjualan pada 3 Januari 2019. Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik, setidaknya satu ukuran di bidang **Nilai** dengan baik, dan setidaknya satu dimensi di bidang **Kategori** dengan baik. 
+ **Periode over period** — Misalnya, “Total penjualan untuk November 2014 meningkat sebesar 44.39% (\$134.532) dari \$177.793 menjadi \$1112.326.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik. 
+ **Periode hingga saat ini** — Misalnya, “ear-to-datePenjualan Y untuk 30 November 2014 meningkat sebesar 25.87% (\$1132.236) dari \$1511.236 menjadi \$1643.472.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik. 
+ **Peringkat teratas** — Misalnya, tiga negara bagian teratas berdasarkan pendapatan penjualan. Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Kategori** dengan baik. 
+ **Penggerak teratas** — Misalnya, produk teratas berdasarkan pendapatan penjualan untuk November 2014. Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya satu dimensi di bidang **Kategori** dengan baik. 
+ **Total agregasi** — Misalnya, “Total pendapatan adalah \$12.297.200.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya satu ukuran di bidang **Nilai** dengan baik. 
+ **Nilai unik** — Misalnya, “Ada 793 nilai unik di dalamnya`Customer_IDs`.” Mengharuskan Anda memiliki setidaknya satu dimensi di bidang **Kategori** dengan baik. 

# Gunakan editor ekspresi naratif
<a name="using-narratives-expression-editor-step-by-step"></a>

Panduan berikut menunjukkan contoh cara menyesuaikan narasi. Untuk contoh ini, kami menggunakan jenis komputasi periode ke periode.

1. Mulailah dengan analisis yang ada. Tambahkan wawasan **periode ke periode** ke dalamnya. Cara termudah untuk melakukannya adalah dengan memilih ikon \$1, lalu **Tambahkan wawasan**, lalu pilih jenis wawasan dari daftar. Untuk mempelajari jenis wawasan komputasi yang dapat Anda tambahkan sebagai autonarasi, lihat. [Wawasan yang mencakup autonarratif](auto-narratives.md)

   Setelah Anda memilih jenis wawasan, pilih **Pilih** untuk membuat widget. Untuk membuat narasi kosong, tutup layar ini tanpa memilih templat. Untuk mengikuti contoh ini, pilih **Periode over period**.

   Jika Anda memiliki visual yang dipilih saat menambahkan wawasan, sumur bidang memiliki bidang yang telah dikonfigurasi sebelumnya untuk tanggal, metrik, dan kategori. Ini berasal dari visualisasi yang Anda pilih saat Anda membuat wawasan. Anda dapat menyesuaikan bidang sesuai kebutuhan.

   Anda hanya dapat menyesuaikan narasi untuk widget wawasan baru atau yang sudah ada (berbasis teks). Anda tidak dapat menambahkan satu ke visual yang ada (berbasis bagan), karena ini adalah jenis widget yang berbeda. 

1. **Edit narasi di editor ekspresi dengan memilih menu on-visual, lalu pilih Sesuaikan narasi.**

   Dalam konteks ini, **Komputasi** adalah perhitungan yang telah ditentukan sebelumnya (period-over-period, period-to-date, laju pertumbuhan, maks, min, penggerak teratas, dan sebagainya) yang dapat Anda referensikan dalam templat untuk menggambarkan data Anda. Saat ini, Amazon Quick Sight mendukung 13 jenis perhitungan yang dapat Anda tambahkan ke wawasan Anda. Dalam contoh ini, **PeriodOverPeriod**ditambahkan secara default karena kami memilih template **Periode Over Period** dari panel wawasan yang disarankan. 

1. Pilih **Tambahkan komputasi** di kanan bawah untuk menambahkan perhitungan baru, lalu pilih salah satu dari daftar. **Untuk panduan ini, pilih **Tingkat pertumbuhan**, lalu pilih Berikutnya.**

1. Konfigurasikan perhitungan dengan memilih jumlah periode yang ingin Anda hitung. Defaultnya adalah empat, dan itu berfungsi untuk contoh kita. Secara opsional, Anda dapat mengubah nama perhitungan di bagian atas layar. Namun, untuk tujuan kami, biarkan nama tidak berubah.
**catatan**  
Nama komputasi yang Anda buat unik dalam wawasan. Anda dapat mereferensikan beberapa perhitungan dari jenis yang sama di template naratif Anda. Misalnya, Anda memiliki dua metrik, pendapatan penjualan dan unit yang terjual. Anda dapat membuat perhitungan tingkat pertumbuhan untuk setiap metrik jika mereka memiliki nama yang berbeda.   
Namun, perhitungan anomali tidak kompatibel dengan jenis komputasi lain di widget yang sama. Deteksi anomali harus ada dalam wawasan dengan sendirinya. Untuk menggunakan perhitungan lain dalam analisis yang sama, masukkan ke dalam wawasan yang terpisah dari anomali.

   Untuk melanjutkan, pilih **Tambah**.

1. Perluas **Komputasi** di sebelah kanan. Perhitungan yang merupakan bagian dari tampilan narasi dalam daftar. Dalam hal ini, itu **PeriodOverPeriod**dan **GrowthRate**. 

1. Di ruang kerja, tambahkan teks berikut setelah periode terakhir:**Compounded growth rate for the last**, lalu tambahkan spasi.

1. **Selanjutnya, untuk menambahkan perhitungan, tinggalkan kursor Anda setelah spasi setelah kata terakhir.** Di sebelah kanan, di bawah **GrowthRate**, pilih ekspresi bernama **TimePeriod** (klik hanya sekali untuk menambahkannya). 

   Melakukan hal ini menyisipkan ekspresi **GrowthRate.timePeriod**, yang merupakan jumlah periode yang Anda tetapkan dalam konfigurasi. **GrowthRate** 

1. Lengkapi kalimat dengan ** days is ** (spasi sebelum dan sesudahnya), dan tambahkan ekspresi **GrowthRate. compoundedGrowthRate.formattedValue**, diikuti oleh periode (). `.` Pilih ekspresi dari daftar, daripada mengetiknya. Namun, Anda dapat mengedit konten ekspresi setelah Anda menambahkannya.  
![\[Editor ekspresi dengan daftar ekspresi terbuka.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/narrative-add-expression.png)
**catatan**  
Ekspresi **FormattedValue** mengembalikan string yang diformat berdasarkan format yang diterapkan untuk metrik di lapangan. Untuk melakukan matematika metrik, gunakan **nilai** sebagai gantinya, yang mengembalikan nilai mentah sebagai bilangan bulat atau desimal.

1. Tambahkan pernyataan kondisional dan pemformatan. Tempatkan kursor Anda di akhir template, setelah `formattedValue` ekspresi. Tambahkan spasi jika perlu. Pada bilah menu **Edit naratif**, pilih **Sisipkan kode**, lalu pilih **Inline IF dari daftar**. Blok ekspresi terbuka.

1. Dengan blok ekspresi terbuka, pilih **GrowthRate**, **compoundedGrowthRate**, **nilai** dari daftar ekspresi. Masukkan **>0** di akhir ekspresi. Pilih **Simpan**. Jangan pindahkan kursor Anda.

   Prompt muncul untuk konten bersyarat; masukkan **better than expected\$1** Kemudian pilih teks yang baru saja Anda masukkan, dan gunakan bilah alat pemformatan di bagian atas untuk mengubahnya menjadi hijau dan tebal.

1. Tambahkan blok ekspresi lain untuk kasus ketika tingkat pertumbuhannya tidak terlalu bagus dengan mengulangi langkah sebelumnya. Tapi kali ini, buat **<0** dan masukkan teksnya**worse than expected**. Jadikan merah, bukan hijau. 

1. Pilih **Simpan**. Narasi khusus yang baru saja kita buat akan terlihat mirip dengan yang berikut ini.  
![\[Narasi yang disesuaikan.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/narrative-example-result.png)

Editor ekspresi memberi Anda alat canggih untuk menyesuaikan narasi Anda. Anda juga dapat mereferensikan parameter yang Anda buat untuk analisis atau dasbor Anda, dan menggunakan serangkaian fungsi bawaan untuk penyesuaian lebih lanjut.

**Tip**  
Untuk membuat narasi kosong, tambahkan wawasan menggunakan ikon **\$1** lalu **Tambahkan** wawasan. Tapi alih-alih memilih template, cukup tutup layar.   
Cara terbaik untuk memulai dengan menyesuaikan narasi adalah dengan menggunakan template yang ada untuk mempelajari sintaks.

# Ruang kerja editor ekspresi
<a name="using-narratives-expression-editor-menus"></a>

Gunakan editor ekspresi untuk menyesuaikan narasi agar sesuai dengan kebutuhan bisnis Anda. Informasi di bawah ini memberikan ikhtisar ruang kerja editor ekspresi dan mencantumkan semua opsi menu yang dapat dikonfigurasi untuk narasi Anda. Untuk panduan yang menunjukkan cara membuat narasi khusus, lihat. [Gunakan editor ekspresi naratif](using-narratives-expression-editor-step-by-step.md)

Di sisi kanan layar, ada daftar item yang dapat Anda tambahkan ke narasi:
+ **Komputasi** — Gunakan ini untuk memilih dari perhitungan yang tersedia dalam wawasan ini. Anda dapat memperluas daftar ini.
+ **Parameter** — Gunakan ini untuk memilih dari parameter yang ada dalam analisis Anda. Anda dapat memperluas daftar ini.
+ **Fungsi** — Gunakan ini untuk memilih dari fungsi yang dapat Anda tambahkan ke narasi. Anda dapat memperluas daftar ini.
+ **Tambahkan komputasi** — Gunakan tombol ini untuk membuat perhitungan lain. Perhitungan baru muncul di daftar **Komputasi**, siap ditambahkan ke wawasan.

Di bagian bawah editor ekspresi naratif, ada pratinjau narasi yang diperbarui saat Anda bekerja. Area ini juga menunjukkan peringatan jika Anda memasukkan kesalahan ke dalam narasi atau jika narasi kosong. Untuk melihat pratinjau wawasan yang didukung ML seperti deteksi anomali atau peramalan, jalankan perhitungan wawasan Anda setidaknya sekali sebelum menyesuaikan narasi. 

Alat pengeditan terletak di bagian atas layar. Mereka menawarkan opsi berikut:
+ **Masukkan kode** - Anda dapat memasukkan blok kode berikut dari menu ini:
  + **Ekspresi** - Tambahkan ekspresi bentuk bebas. 
  + **Inline IF** - Tambahkan pernyataan IF yang menampilkan sebaris dengan blok teks yang ada. 
  + **Inline FOR** - Tambahkan pernyataan FOR yang menampilkan sebaris dengan blok teks yang ada.
  + **Blokir IF** - Tambahkan pernyataan IF yang ditampilkan di blok teks terpisah. 
  + **Blokir UNTUK** - Tambahkan pernyataan FOR yang ditampilkan di blok teks terpisah. 

  Pernyataan IF dan FOR memungkinkan Anda membuat konten yang diformat secara kondisional. Misalnya, Anda dapat menambahkan pernyataan **blok IF**, lalu mengkonfigurasinya untuk membandingkan bilangan bulat dengan nilai dari perhitungan. Untuk melakukan ini, Anda menggunakan langkah-langkah berikut, juga ditunjukkan dalam[Gunakan editor ekspresi naratif](using-narratives-expression-editor-step-by-step.md):

  1. Buka menu perhitungan di sebelah kanan, dan pilih salah satu item yang disorot biru dari salah satu perhitungan. Melakukan hal ini menambah item ke narasi.

  1. Klik sekali pada item untuk membukanya.

  1. Masukkan perbandingan yang ingin Anda buat. Ekspresinya terlihat seperti ini:`PeriodOverPeriod.currentMetricValue.value>0`. 

  1. Simpan ekspresi ini di editor pop-up, yang meminta Anda untuk **Konten bersyarat**. 

  1. Masukkan apa yang ingin Anda tampilkan dalam wawasan, dan format sesuai keinginan Anda. Atau jika mau, Anda dapat menambahkan gambar atau URL—atau menambahkan URL ke gambar.
+ **Paragraf** - Menu ini menawarkan opsi untuk perubahan ukuran font:
  + **H1 Header besar**
  + H2 Sundulan
  + H3 Header kecil
  + 1 Paragraf besar
  + 2 Paragraf
  + 3 Paragraf kecil
+ **Font** - Gunakan baki menu ini untuk memilih opsi untuk pemformatan teks. Ini termasuk huruf tebal, miring, garis bawah, coretan, warna latar depan teks (huruf itu sendiri), dan warna latar belakang teks. Pilih ikon untuk mengaktifkan opsi; pilih lagi untuk menonaktifkan opsi.
+ **Pemformatan** — Gunakan baki menu ini untuk memilih opsi untuk pemformatan paragraf, termasuk daftar berpoin, justify kiri, tengah, dan justify kanan. Pilih ikon untuk mengaktifkan opsi, pilih lagi untuk menonaktifkan opsi.
+ **Gambar** - Gunakan ikon ini menambahkan URL gambar. Gambar ditampilkan dalam wawasan Anda, asalkan tautannya dapat diakses. Anda dapat mengubah ukuran gambar. Untuk menampilkan gambar berdasarkan kondisi, letakkan gambar di dalam blok IF.
+ **URL** — Gunakan ikon ini untuk menambahkan URL statis atau dinamis. Anda juga dapat menambahkan URLs ke gambar. Misalnya, Anda dapat menambahkan gambar indikator lampu lalu lintas ke wawasan untuk dasbor eksekutif, dengan tautan ke lembar baru untuk kondisi merah, kuning, dan hijau.

# Menambahkan URLs
<a name="using-narratives-expression-editor-urls"></a>

Menggunakan tombol **URL** pada menu pengeditan editor ekspresi naratif, Anda dapat menambahkan statis dan dinamis URLs (hyperlink) ke dalam narasi. Anda juga dapat menggunakan pintasan keyboard berikut: ⌘\$1\$1L atau Ctrl\$1\$1L. 

URL statis adalah tautan yang tidak berubah; selalu membuka URL yang sama. URL dinamis adalah tautan yang berubah berdasarkan ekspresi atau parameter yang Anda berikan saat Anda mengaturnya. Itu dibangun dengan ekspresi atau parameter yang dievaluasi secara dinamis. 

Berikut ini adalah contoh kapan Anda dapat menambahkan tautan statis dalam narasi Anda: 
+ **Dalam pernyataan IF, Anda dapat menggunakan URL dalam konten bersyarat.** Jika Anda melakukannya dan metrik gagal memenuhi nilai yang diharapkan, tautan Anda mungkin mengirim pengguna ke wiki dengan daftar praktik terbaik untuk meningkatkan metrik. 
+ **Anda dapat menggunakan URL statis untuk membuat tautan ke lembar lain di dasbor yang sama, dengan menggunakan langkah-langkah berikut:**

  1. Buka lembar yang ingin Anda jadikan tautannya.

  1. Salin URL lembar itu.

  1. Kembali ke editor naratif dan buat tautan menggunakan URL yang baru saja Anda salin.

Berikut ini adalah contoh kapan Anda dapat menambahkan tautan dinamis dalam narasi Anda: 
+ **Untuk mencari situs web dengan kueri, dengan menggunakan langkah-langkah berikut.**

  1. Buat URL dengan tautan berikut.

     ```
     https://google.com?q=<<formatDate(now(),'yyyy-MM-dd')>>
     ```

     Tautan ini mengirimkan kueri ke Google dengan teks penelusuran yang merupakan nilai evaluasi dari berikut ini.

     ```
     formatDate(now(), 'yyyy-MM-dd')
     ```

     Jika nilainya `now()` adalah`02/02/2020`, maka tautan pada narasi Anda berisi. `https://google.com?q=2020-02-02`
+ **Untuk membuat tautan yang memperbarui parameter.** Untuk melakukan ini, buat atau edit tautan dan atur URL ke dasbor atau URL analisis saat ini. Kemudian tambahkan ekspresi yang menetapkan nilai parameter di akhir, misalnya`#p.myParameter=12345`. 

  Misalkan berikut ini adalah tautan dasbor yang Anda mulai.

  ```
  https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
  ```

  Jika Anda menambahkan penetapan nilai parameter ke dalamnya, sepertinya berikut ini.

  ```
  https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
  ```

  Untuk informasi selengkapnya tentang parameter di URLs, lihat[Menggunakan parameter dalam URL](parameters-in-a-url.md).

# Bekerja dengan komputasi autonarratif
<a name="auto-narrative-computations"></a>

Gunakan bagian ini untuk membantu Anda memahami fungsi apa yang tersedia untuk Anda saat Anda menyesuaikan autonarrative. Anda hanya perlu menyesuaikan narasi jika ingin mengubah atau membangun komputasi default.

Setelah Anda membuat autonarrative, editor ekspresi terbuka. Anda juga dapat mengaktifkan editor ekspresi dengan memilih menu on-visual, dan kemudian **Customize Narrative**. Untuk menambahkan komputasi saat menggunakan editor ekspresi, pilih **\$1 Tambahkan** komputasi.

Anda dapat menggunakan ekspresi kode berikut untuk membangun autonarrative Anda. Ini tersedia dari daftar yang berlabel **Sisipkan kode**. Pernyataan kode dapat menampilkan inline (dalam kalimat) atau sebagai blok (dalam daftar).
+ Ekspresi - Buat ekspresi kode Anda sendiri.
+ IF — Pernyataan IF yang menyertakan ekspresi setelah mengevaluasi suatu kondisi. 
+ FOR — Pernyataan FOR yang mengulang nilai. 

Anda dapat menggunakan perhitungan berikut untuk membangun autonarrative Anda. Anda dapat menggunakan editor ekspresi tanpa mengedit sintaks apa pun, tetapi Anda juga dapat menyesuaikannya jika Anda mau. Untuk berinteraksi dengan sintaks, buka widget komputasi di editor ekspresi autonarratif.

**Topics**
+ [Deteksi anomali bertenaga ML untuk outlier](anomaly-detection-function.md)
+ [Perhitungan penggerak bawah](bottom-movers-function.md)
+ [Perhitungan peringkat bawah](bottom-ranked-function.md)
+ [Peramalan bertenaga ML](forecast-function.md)
+ [Perhitungan tingkat pertumbuhan](growth-rate-function.md)
+ [Komputasi maksimum](maximum-function.md)
+ [Perhitungan perbandingan metrik](metric-comparison-function.md)
+ [Perhitungan minimum](minimum-function.md)
+ [Perhitungan periode ke periode](period-over-period-function.md)
+ [Perhitungan periode hingga tanggal](period-to-date-function.md)
+ [Perhitungan penggerak teratas](top-movers-function.md)
+ [Perhitungan peringkat teratas](top-ranked-function.md)
+ [Perhitungan agregasi total](total-aggregation-function.md)
+ [Perhitungan nilai unik](unique-values-function.md)

# Deteksi anomali bertenaga ML untuk outlier
<a name="anomaly-detection-function"></a>

Komputasi deteksi anomali bertenaga ML mencari data Anda untuk outlier. Misalnya, Anda dapat mendeteksi tiga outlier teratas untuk total penjualan pada 3 Januari 2019. Jika Anda mengaktifkan analisis kontribusi, Anda juga dapat mendeteksi driver utama untuk setiap outlier. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik, setidaknya satu ukuran di bidang **Nilai** dengan baik, dan setidaknya satu dimensi di bidang **Kategori** dengan baik. Layar konfigurasi menyediakan opsi untuk menganalisis kontribusi bidang lain sebagai driver utama, bahkan jika bidang tersebut tidak berada di sumur lapangan.

Untuk informasi selengkapnya, lihat [Mendeteksi outlier dengan deteksi anomali bertenaga ML](anomaly-detection.md).

**catatan**  
Anda tidak dapat menambahkan deteksi anomali bertenaga ML ke komputasi lain, dan Anda tidak dapat menambahkan komputasi lain ke deteksi anomali.

## Output komputasi
<a name="anomaly-detection-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan cari komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Anda dapat menggunakan item yang ditampilkan **`bold monospace font`**sebagai berikut dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `categoryFields`— Dari bidang **Kategori** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `itemsCount`— Jumlah item yang termasuk dalam perhitungan ini.
+ `items`— Item anomali.
  + `timeValue`— Nilai dalam dimensi tanggal.
    + `value`— Bidang tanggal/waktu pada titik anomali (outlier).
    + `formattedValue`— Nilai yang diformat di date/time lapangan pada titik anomali.
  + `categoryName`— Nama sebenarnya dari kategori (cat1, cat2, dan sebagainya).
  + `direction`— Arah pada sumbu x atau sumbu y yang diidentifikasi sebagai anomali: atau. `HIGH` `LOW` `HIGH`berarti “lebih tinggi dari yang diharapkan.” `LOW` berarti “lebih rendah dari yang diharapkan.” 

    Saat iterasi pada item, `AnomalyDetection.items[index].direction` dapat berisi salah satu `HIGH` atau`LOW`. Misalnya, `AnomalyDetection.items[index].direction='HIGH'` atau`AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction`dapat memiliki string kosong untuk`ALL`. Contohnya adalah `AnomalyDetection.direction=''`. 
  + `actualValue`— Nilai aktual metrik pada titik anomali atau outlier.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
  + `expectedValue`— Nilai yang diharapkan metrik pada titik anomali (outlier).
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.

# Perhitungan penggerak bawah
<a name="bottom-movers-function"></a>

Perhitungan penggerak bawah menghitung jumlah kategori yang diminta berdasarkan tanggal yang diberi peringkat di bagian bawah kumpulan data autonarratif. Misalnya, Anda dapat membuat perhitungan untuk menemukan tiga produk terbawah yang terjual, berdasarkan pendapatan penjualan.

Untuk menggunakan fungsi ini, setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya satu dimensi di bidang **Kategori** dengan baik. 

## Parameter
<a name="bottom-movers-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking.

*Kategori*   
Dimensi kategori yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

*Jumlah penggerak*   
Jumlah hasil peringkat yang ingin Anda tampilkan.

*Memesan oleh*   
Urutan yang ingin Anda gunakan, perbedaan persen atau perbedaan absolut.

## Output komputasi
<a name="bottom-movers-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 

**catatan**  
Ini adalah parameter output yang sama dengan yang dikembalikan oleh perhitungan penggerak teratas.
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `categoryField`— Dari bidang **Kategori** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `startTimeValue`— Nilai dalam dimensi tanggal.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `endTimeValue`— Nilai dalam dimensi tanggal.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai absolut diformat oleh bidang datetime.
+ `itemsCount`— Jumlah item yang termasuk dalam perhitungan ini.
+ `items`: Item bergerak bawah.
  + `categoryField`Bidang kategori.
    + `value`— Nilai (isi) dari bidang kategori.
    + `formattedValue`— Nilai diformat (isi) dari bidang kategori. Jika bidangnya nol, ini menampilkan '`NULL`'. Jika bidang kosong, itu menampilkan '`(empty)`'.
  + `currentMetricValue`— Nilai saat ini untuk bidang metrik.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
  + `previousMetricValue`— Nilai sebelumnya untuk bidang metrik.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
  + `percentDifference`— Perbedaan persen antara nilai saat ini dan sebelumnya dari bidang metrik.
    + `value`— Nilai mentah dari perhitungan selisih persen.
    + `formattedValue`— Nilai diformat dari perbedaan persen (misalnya, -42%).
    + `formattedAbsoluteValue`— Nilai absolut yang diformat dari perbedaan persen (misalnya, 42%).
  + `absoluteDifference`— Perbedaan absolut antara nilai saat ini dan sebelumnya dari bidang metrik.
    + `value`— Nilai mentah dari perhitungan perbedaan absolut.
    + `formattedValue`— Perbedaan absolut diformat oleh pengaturan dalam preferensi format bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut dari perbedaan yang diformat oleh bidang metrik.

# Perhitungan peringkat bawah
<a name="bottom-ranked-function"></a>

Perhitungan peringkat bawah menghitung jumlah kategori yang diminta berdasarkan nilai yang diberi peringkat di bagian bawah kumpulan data autonarratif. Misalnya, Anda dapat membuat perhitungan untuk menemukan tiga negara bagian terbawah berdasarkan pendapatan penjualan.

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Kategori** dengan baik. 

## Parameter
<a name="bottom-ranked-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Kategori*   
Dimensi kategori yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

*Jumlah hasil*   
Jumlah hasil peringkat yang ingin Anda tampilkan.

## Output komputasi
<a name="bottom-ranked-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan cari komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 

**catatan**  
Ini adalah parameter output yang sama dengan yang dikembalikan oleh perhitungan peringkat teratas.
+ `categoryField`— Dari bidang **Kategori** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `itemsCount`— Jumlah item yang termasuk dalam perhitungan ini.
+ `items`: Item peringkat bawah.
  + `categoryField`Bidang kategori.
    + `value`— Nilai (isi) dari bidang kategori.
    + `formattedValue`— Nilai diformat (isi) dari bidang kategori. Jika bidangnya nol, ini menampilkan '`NULL`'. Jika bidang kosong, itu menampilkan '`(empty)`'.
  + `metricValue`Bidang metrik.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.

## Contoh
<a name="bottom-ranked-function-example"></a>

Tangkapan layar berikut menunjukkan konfigurasi default untuk perhitungan peringkat bawah.

![\[Konfigurasi default untuk perhitungan peringkat bawah.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/bottom-ranked-computation.png)


# Peramalan bertenaga ML
<a name="forecast-function"></a>

Perhitungan perkiraan yang didukung ML memperkirakan metrik masa depan berdasarkan pola metrik sebelumnya berdasarkan musim. Misalnya, Anda dapat membuat perhitungan untuk memperkirakan total pendapatan selama enam bulan ke depan.

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik. 

Untuk informasi selengkapnya tentang bekerja dengan prakiraan, lihat[Meramalkan dan membuat skenario bagaimana-jika dengan Amazon Quick Sight](forecasts-and-whatifs.md).

## Parameter
<a name="forecast-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

*Periode ke depan*   
Jumlah periode waktu di masa depan yang ingin Anda perkirakan. Rentang dari 1 hingga 1.000.

*Periode mundur*   
Jumlah periode waktu di masa lalu yang Anda inginkan untuk mendasarkan perkiraan Anda. Rentang dari 0 hingga 1.000.

*Musiman*   
Jumlah musim yang termasuk dalam tahun kalender. Pengaturan default, **otomatis** mendeteksi ini untuk Anda. Rentang dari 1 hingga 180.

## Output komputasi
<a name="forecast-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan cari komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `metricValue`— Nilai dalam dimensi metrik.
  + `value`— Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `timeValue`— Nilai dalam dimensi tanggal.
  + `value`— Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang tanggal.
+ `relativePeriodsToForecast`— Jumlah relatif periode antara catatan datetime terbaru dan catatan perkiraan terakhir.

# Perhitungan tingkat pertumbuhan
<a name="growth-rate-function"></a>

Perhitungan tingkat pertumbuhan membandingkan nilai selama periode waktu. Misalnya, Anda dapat membuat perhitungan untuk menemukan tingkat pertumbuhan gabungan tiga bulan untuk penjualan, dinyatakan sebagai persentase.

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik. 

## Parameter
<a name="growth-rate-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

*Jumlah periode*   
Jumlah periode waktu di masa depan yang ingin Anda gunakan untuk menghitung tingkat pertumbuhan.

## Output komputasi
<a name="growth-rate-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan cari komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `previousMetricValue`— Nilai sebelumnya dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `previousTimeValue`— Nilai sebelumnya dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `compoundedGrowthRate`— Perbedaan persen antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih persen.
  + `formattedValue`— Nilai diformat dari perbedaan persen (misalnya, -42%).
  + `formattedAbsoluteValue`— Nilai absolut yang diformat dari perbedaan persen (misalnya, 42%).
+ `absoluteDifference`— Perbedaan absolut antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan perbedaan absolut.
  + `formattedValue`— Perbedaan absolut diformat oleh pengaturan dalam preferensi format bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut dari perbedaan yang diformat oleh bidang metrik.

# Komputasi maksimum
<a name="maximum-function"></a>

Perhitungan maksimum menemukan dimensi maksimum berdasarkan nilai. Misalnya, Anda dapat membuat perhitungan untuk menemukan bulan dengan pendapatan tertinggi. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik. 

## Parameter
<a name="maximum-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

## Output komputasi
<a name="maximum-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 

**catatan**  
Ini adalah parameter output yang sama dengan yang dikembalikan oleh perhitungan minimum.
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `metricValue`— Nilai dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `timeValue`— Nilai dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.

# Perhitungan perbandingan metrik
<a name="metric-comparison-function"></a>

Perhitungan perbandingan metrik membandingkan nilai dalam ukuran yang berbeda. Misalnya, Anda dapat membuat perhitungan untuk membandingkan dua nilai, seperti penjualan aktual dibandingkan dengan tujuan penjualan. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya dua ukuran di bidang **Nilai** dengan baik. 

## Parameter
<a name="metric-comparison-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

*Nilai target*   
Bidang yang ingin Anda bandingkan dengan nilainya.

## Output komputasi
<a name="metric-comparison-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `fromMetricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `fromMetricValue`— Nilai dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `toMetricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `toMetricValue`— Nilai saat ini dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `timeValue`— Nilai dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `percentDifference`— Perbedaan persen antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih persen.
  + `formattedValue`— Nilai diformat dari perbedaan persen (misalnya, -42%).
  + `formattedAbsoluteValue`— Nilai absolut yang diformat dari perbedaan persen (misalnya, 42%).
+ `absoluteDifference`— Perbedaan absolut antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih absolut.
  + `formattedValue`— Perbedaan absolut diformat oleh pengaturan dalam preferensi format bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut dari perbedaan yang diformat oleh bidang metrik.

# Perhitungan minimum
<a name="minimum-function"></a>

Perhitungan minimum menemukan dimensi minimum berdasarkan nilai. Misalnya, Anda dapat membuat perhitungan untuk menemukan bulan dengan pendapatan terendah. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik. 

## Parameter
<a name="minimum-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan.

## Output komputasi
<a name="maximum-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 

**catatan**  
Ini adalah parameter output yang sama dengan yang dikembalikan oleh perhitungan maksimum.
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `metricValue`— Nilai dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `timeValue`— Nilai dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.

# Perhitungan periode ke periode
<a name="period-over-period-function"></a>

Perhitungan periode ke periode membandingkan nilai dari dua periode waktu yang berbeda. Misalnya, Anda dapat membuat perhitungan untuk mengetahui berapa banyak penjualan meningkat atau menurun sejak periode waktu sebelumnya. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik. 

## Parameter
<a name="period-over-period-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking. 

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan. 

## Output komputasi
<a name="period-over-period-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `previousMetricValue`— Nilai sebelumnya dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `previousTimeValue`— Nilai sebelumnya dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `currentMetricValue`— Nilai saat ini dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `currentTimeValue`— Nilai saat ini dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `percentDifference`— Perbedaan persen antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih persen.
  + `formattedValue`— Nilai diformat dari perbedaan persen (misalnya, -42%).
  + `formattedAbsoluteValue`— Nilai absolut yang diformat dari perbedaan persen (misalnya, 42%).
+ `absoluteDifference`— Perbedaan absolut antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih absolut.
  + `formattedValue`— Perbedaan absolut diformat oleh pengaturan dalam preferensi format bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut dari perbedaan yang diformat oleh bidang metrik.

## Contoh
<a name="period-over-period-computation-example"></a>

**Untuk membuat perhitungan Periode over period**

1. Dalam analisis yang ingin Anda ubah, pilih **Tambahkan wawasan**.

1. **Untuk **jenis Komputasi**, pilih **Periode dari periode**, lalu pilih Pilih.**

1. Dalam wawasan baru yang Anda buat, tambahkan dimensi waktu dan bidang dimensi nilai yang ingin Anda bandingkan. Pada tangkapan layar di bawah ini, `Order Date` dan `Sales (Sum)` ditambahkan ke wawasan. Dengan dua bidang ini dipilih, Quick Sight menunjukkan penjualan dari tahun ke tahun dari bulan terakhir dan perbedaan persentase dibandingkan dengan bulan sebelumnya.  
![\[alt text not found\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Opsional) Untuk lebih menyesuaikan wawasan, buka menu on-visual dan pilih **Sesuaikan narasi**. **Di jendela **Edit naratif** yang muncul, seret dan lepas bidang yang Anda butuhkan dari daftar **Komputasi**, lalu pilih Simpan.**

# Perhitungan periode hingga tanggal
<a name="period-to-date-function"></a>

Perhitungan periode hingga saat ini mengevaluasi nilai untuk periode tertentu hingga saat ini. Misalnya, Anda dapat membuat perhitungan untuk mengetahui berapa banyak yang Anda peroleh dalam year-to-date penjualan. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik. 

## Parameter
<a name="period-to-date-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Tanggal*   
Dimensi tanggal yang ingin Anda rangking. 

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan. 

*Granularitas waktu*   
Granularitas tanggal yang ingin Anda gunakan untuk perhitungan, misalnya dari tahun ke tanggal.

## Output komputasi
<a name="period-to-date-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik. 
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `metricField`— Dari bidang **Nilai** dengan baik. 
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `previousMetricValue`— Nilai sebelumnya dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `previousTimeValue`— Nilai sebelumnya dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `currentMetricValue`— Nilai saat ini dalam dimensi metrik.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
+ `currentTimeValue`— Nilai saat ini dalam dimensi datetime.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `periodGranularity`— Perincian periode untuk perhitungan ini (**BULAN**, **TAHUN**, dan sebagainya).
+ `percentDifference`— Perbedaan persen antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih persen.
  + `formattedValue`— Nilai diformat dari perbedaan persen (misalnya, -42%).
  + `formattedAbsoluteValue`— Nilai absolut yang diformat dari perbedaan persen (misalnya, 42%).
+ `absoluteDifference`— Perbedaan absolut antara nilai saat ini dan sebelumnya dari bidang metrik.
  + `value`— Nilai mentah dari perhitungan selisih absolut.
  + `formattedValue`— Perbedaan absolut diformat oleh pengaturan dalam preferensi format bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut dari perbedaan yang diformat oleh bidang metrik.

## Contoh
<a name="period-to-date-computation-example"></a>

**Untuk membuat perhitungan Periode hingga saat ini**

1. Dalam analisis yang ingin Anda ubah, pilih **Tambahkan wawasan**.

1. **Untuk **jenis Komputasi**, pilih **Periode hingga saat ini**, lalu pilih Pilih.**

1. Dalam wawasan baru yang Anda buat, tambahkan bidang dimensi waktu dan dimensi nilai yang ingin Anda bandingkan. Pada tangkapan layar di bawah ini, `Order Date` dan `Sales (Sum)` ditambahkan ke wawasan. Dengan dua bidang ini dipilih, Quick Sight menunjukkan penjualan dari tahun ke tahun dari bulan terakhir dan perbedaan persentase dibandingkan dengan bulan sebelumnya.  
![\[alt text not found\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Opsional) Untuk lebih menyesuaikan wawasan, buka menu on-visual dan pilih **Sesuaikan narasi**. **Di jendela **Edit naratif** yang muncul, seret dan lepas bidang yang Anda butuhkan dari daftar **Komputasi**, lalu pilih Simpan.**

# Perhitungan penggerak teratas
<a name="top-movers-function"></a>

Perhitungan penggerak teratas menghitung jumlah kategori yang diminta berdasarkan tanggal yang berada di bagian atas kumpulan data autonarratif. Misalnya, Anda dapat membuat perhitungan untuk menemukan produk teratas berdasarkan pendapatan penjualan untuk jangka waktu tertentu.

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya satu dimensi di bidang **Kategori** dengan baik. 

## Parameter
<a name="top-movers-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Kategori*   
Dimensi kategori yang ingin Anda rangking. 

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan. 

*Jumlah hasil*   
Jumlah item peringkat teratas yang ingin Anda temukan.

## Output komputasi
<a name="top-movers-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 

**catatan**  
Ini adalah parameter output yang sama dengan yang dikembalikan oleh perhitungan penggerak bawah.
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `categoryField`— Dari bidang **Kategori** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `startTimeValue`— Nilai dalam dimensi tanggal.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai diformat oleh bidang datetime.
+ `endTimeValue`— Nilai dalam dimensi tanggal.
  + `value`Nilai mentah.
  + `formattedValue`— Nilai absolut diformat oleh bidang datetime.
+ `itemsCount`— Jumlah item yang termasuk dalam perhitungan ini.
+ `items`: Item bergerak teratas.
  + `categoryField`Bidang kategori.
    + `value`— Nilai (isi) dari bidang kategori.
    + `formattedValue`— Nilai diformat (isi) dari bidang kategori. Jika bidangnya nol, ini menampilkan '`NULL`'. Jika bidang kosong, itu menampilkan '`(empty)`'.
  + `currentMetricValue`— Nilai saat ini untuk bidang metrik.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
  + `previousMetricValue`— Nilai sebelumnya untuk bidang metrik.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
  + `percentDifference`— Perbedaan persen antara nilai saat ini dan sebelumnya dari bidang metrik.
    + `value`— Nilai mentah dari perhitungan selisih persen.
    + `formattedValue`— Nilai diformat dari perbedaan persen (misalnya, -42%).
    + `formattedAbsoluteValue`— Nilai absolut yang diformat dari perbedaan persen (misalnya, 42%).
  + `absoluteDifference`— Perbedaan absolut antara nilai saat ini dan sebelumnya dari bidang metrik.
    + `value`— Nilai mentah dari perhitungan perbedaan absolut.
    + `formattedValue`— Perbedaan absolut diformat oleh pengaturan dalam preferensi format bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut dari perbedaan yang diformat oleh bidang metrik.

# Perhitungan peringkat teratas
<a name="top-ranked-function"></a>

Perhitungan peringkat teratas menemukan dimensi peringkat teratas berdasarkan nilai. Misalnya, Anda dapat membuat perhitungan untuk menemukan tiga negara bagian teratas berdasarkan pendapatan penjualan. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Kategori** dengan baik. 

## Parameter
<a name="top-ranked-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Kategori*   
Dimensi kategori yang ingin Anda rangking. 

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan. 

*Jumlah hasil*   
Jumlah item peringkat teratas yang ingin Anda temukan.

## Output komputasi
<a name="top-ranked-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 

**catatan**  
Ini adalah parameter output yang sama dengan yang dikembalikan oleh perhitungan peringkat bawah.
+ `categoryField`— Dari bidang **Kategori** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `itemsCount`— Jumlah item yang termasuk dalam perhitungan ini.
+ `items`: Item peringkat teratas.
  + `categoryField`- Bidang kategori.
    + `value`— Nilai (isi) dari bidang kategori.
    + `formattedValue`— Nilai yang diformat (isi) dari bidang kategori. Jika bidangnya nol, ini menampilkan '`NULL`'. Jika bidang kosong, itu menampilkan '`(empty)`'.
  + `metricValue`Bidang metrik.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.

# Perhitungan agregasi total
<a name="total-aggregation-function"></a>

Komputasi agregasi total menciptakan total nilai yang besar. Misalnya, Anda dapat membuat perhitungan untuk menemukan total pendapatan. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik dan setidaknya satu ukuran di bidang **Nilai** dengan baik. 

## Parameter
<a name="total-aggregation-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Nilai*   
Ukuran agregat yang menjadi dasar perhitungan. 

## Output komputasi
<a name="total-aggregation-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `categoryField`Bidang kategori. 
  + `name`— Nama tampilan bidang kategori.
+ `metricField`— Dari bidang **Nilai** dengan baik. 
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `totalAggregate`— Nilai total agregasi metrik. 
  + `value`Nilai mentah.
  + `formattedValue`— Nilai yang diformat oleh bidang metrik.
  + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.

# Perhitungan nilai unik
<a name="unique-values-function"></a>

Perhitungan nilai unik menghitung nilai unik dalam bidang kategori. Misalnya, Anda dapat membuat perhitungan untuk menghitung jumlah nilai unik dalam suatu dimensi, seperti berapa banyak pelanggan yang Anda miliki

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Kategori** dengan baik. 

## Parameter
<a name="unique-values-function-parameters"></a>

*name*   
Nama deskriptif unik yang Anda tetapkan atau ubah. Nama diberikan jika Anda tidak membuat nama Anda sendiri. Anda dapat mengedit ini nanti.

*Kategori*   
Dimensi kategori yang ingin Anda rangking. 

## Output komputasi
<a name="unique-values-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan cari komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Item yang ditampilkan dalam **huruf tebal** dapat digunakan dalam narasi. 
+ `categoryField`Bidang kategori. 
  + `name`— Nama tampilan bidang kategori.
+ `uniqueGroupValuesCount`— Jumlah nilai unik yang termasuk dalam perhitungan ini. 

# Mendeteksi outlier dengan deteksi anomali bertenaga ML
<a name="anomaly-detection"></a>

Amazon Quick Sight menggunakan teknologi Amazon yang telah terbukti untuk terus menjalankan deteksi anomali bertenaga ML di jutaan metrik untuk menemukan tren tersembunyi dan outlier dalam data Anda. Alat ini memungkinkan Anda untuk mendapatkan wawasan mendalam yang sering terkubur dalam agregat dan tidak dapat diskalakan dengan analisis manual. Dengan deteksi anomali bertenaga ML, Anda dapat menemukan outlier dalam data Anda tanpa perlu analisis manual, pengembangan kustom, atau keahlian domain ML. 

Amazon Quick Sight memberi tahu Anda dalam visual Anda jika mendeteksi bahwa Anda dapat menganalisis anomali atau melakukan beberapa peramalan pada data Anda. 

Deteksi anomali tidak tersedia di `eu-central-2` wilayah Eropa (Zurich).

**penting**  
Deteksi anomali bertenaga ML adalah tugas komputasi yang intens. Sebelum Anda mulai menggunakannya, Anda bisa mendapatkan gambaran tentang biaya dengan menganalisis jumlah data yang ingin Anda gunakan. Kami menawarkan model harga berjenjang yang didasarkan pada jumlah metrik yang Anda proses per bulan. 

**Topics**
+ [Konsep untuk deteksi anomali atau outlier](anomaly-detection-outliers-and-key-drivers.md)
+ [Menyiapkan deteksi anomali bertenaga ML untuk analisis outlier](anomaly-detection-using.md)
+ [Menjelajahi outlier dan pendorong utama dengan deteksi anomali bertenaga ML dan analisis kontribusi](anomaly-exploring.md)

# Konsep untuk deteksi anomali atau outlier
<a name="anomaly-detection-outliers-and-key-drivers"></a>

Amazon Quick Sight menggunakan kata *anomali* untuk menggambarkan titik data yang berada di luar pola distribusi keseluruhan. Ada banyak kata lain untuk anomali, yang merupakan istilah ilmiah, termasuk outlier, penyimpangan, keanehan, pengecualian, penyimpangan, kebiasaan, dan banyak lagi. Istilah yang Anda gunakan mungkin didasarkan pada jenis analisis yang Anda lakukan, atau jenis data yang Anda gunakan, atau bahkan hanya preferensi grup Anda. Titik-titik data terpencil ini mewakili suatu entitas — seseorang, tempat, benda, atau waktu — yang luar biasa dalam beberapa hal. 

Manusia dengan mudah mengenali pola dan melihat hal-hal yang tidak seperti yang lain. Indera kita memberikan informasi ini untuk kita. Jika polanya sederhana, dan hanya ada sedikit data, Anda dapat dengan mudah membuat grafik untuk menyorot outlier dalam data Anda. Beberapa contoh sederhana termasuk yang berikut:
+ Balon merah dalam kelompok yang biru
+ Kuda pacu yang jauh di depan yang lain
+ Seorang anak yang tidak memperhatikan selama kelas
+ Sehari ketika pesanan online naik, tetapi pengiriman turun
+ Seseorang yang sembuh, di mana orang lain tidak

Beberapa titik data mewakili peristiwa penting, dan yang lain mewakili kejadian acak. Analisis mengungkap data mana yang layak diselidiki, berdasarkan faktor pendorong (pendorong utama) apa yang berkontribusi pada acara tersebut. Pertanyaan sangat penting untuk analisis data. Mengapa itu terjadi? Apa hubungannya dengan? Apakah itu terjadi hanya sekali atau berkali-kali? Apa yang dapat Anda lakukan untuk mendorong atau mencegah lebih seperti itu? 

Memahami bagaimana dan mengapa ada variasi, dan apakah ada pola dalam variasi, membutuhkan lebih banyak pemikiran. Tanpa bantuan pembelajaran mesin, setiap orang mungkin sampai pada kesimpulan yang berbeda, karena mereka memiliki pengalaman dan informasi yang berbeda. Oleh karena itu, setiap orang mungkin membuat keputusan bisnis yang sedikit berbeda. Jika ada banyak data atau variabel untuk dipertimbangkan, itu bisa memerlukan sejumlah besar analisis. 

Deteksi anomali bertenaga ML mengidentifikasi penyebab dan korelasi untuk memungkinkan Anda membuat keputusan berbasis data. Anda masih memiliki kendali untuk menentukan bagaimana Anda ingin pekerjaan bekerja pada data Anda. Anda dapat menentukan parameter Anda sendiri, dan memilih opsi tambahan, seperti mengidentifikasi driver utama dalam analisis kontribusi. Atau Anda dapat menggunakan pengaturan default. Bagian berikut memandu Anda melalui proses penyiapan, dan memberikan penjelasan untuk opsi yang tersedia. 

# Menyiapkan deteksi anomali bertenaga ML untuk analisis outlier
<a name="anomaly-detection-using"></a>

Gunakan prosedur di bagian berikut untuk mulai mendeteksi outlier, mendeteksi anomali, dan mengidentifikasi driver utama yang berkontribusi padanya.

**Topics**
+ [Melihat pemberitahuan anomali dan perkiraan](anomaly-detection-adding-from-visuals.md)
+ [Menambahkan wawasan ML untuk mendeteksi outlier dan driver kunci](anomaly-detection-adding-anomaly-insights.md)
+ [Menggunakan analisis kontribusi untuk driver utama](anomaly-detection-adding-key-drivers.md)

# Melihat pemberitahuan anomali dan perkiraan
<a name="anomaly-detection-adding-from-visuals"></a>

Amazon Quick Sight memberi tahu Anda tentang visual yang mendeteksi anomali, driver kunci, atau peluang peramalan. Anda dapat mengikuti petunjuk untuk mengatur deteksi atau peramalan anomali berdasarkan data dalam visual itu.

1. Di bagan garis yang ada, cari pemberitahuan wawasan di menu di widget visual. 

1. Pilih ikon bola lampu untuk menampilkan notifikasi.

1. Jika Anda ingin informasi lebih lanjut tentang wawasan ML, Anda dapat mengikuti petunjuk layar untuk menambahkan wawasan ML.

# Menambahkan wawasan ML untuk mendeteksi outlier dan driver kunci
<a name="anomaly-detection-adding-anomaly-insights"></a>

Anda dapat menambahkan wawasan ML yang mendeteksi *anomali*, yang merupakan outlier yang tampaknya signifikan. Untuk memulai, Anda membuat widget untuk wawasan Anda, juga dikenal sebagai *autonarrative*. Saat Anda mengonfigurasi opsi, Anda dapat melihat tangkapan layar terbatas dari wawasan Anda di panel **Pratinjau** di layar kanan.

Di widget wawasan Anda, Anda dapat menambahkan hingga lima bidang dimensi yang tidak dihitung bidang. Di sumur lapangan, nilai untuk **Kategori** mewakili nilai dimensi yang digunakan Amazon Quick Sight untuk membagi metrik. Misalnya, katakanlah Anda menganalisis pendapatan di semua kategori produk dan produk SKUs. Ada 10 kategori produk, masing-masing dengan 10 produk SKUs. Amazon Quick Sight membagi metrik dengan 100 kombinasi unik dan menjalankan deteksi anomali pada setiap kombinasi untuk split.

Prosedur berikut menunjukkan bagaimana melakukan ini, dan juga bagaimana menambahkan analisis kontribusi untuk mendeteksi driver utama yang menyebabkan setiap anomali. Anda dapat menambahkan analisis kontribusi nanti, seperti yang dijelaskan dalam[Menggunakan analisis kontribusi untuk driver utama](anomaly-detection-adding-key-drivers.md).

**Untuk mengatur analisis outlier, termasuk driver utama**

1. **Buka analisis Anda dan di bilah alat, pilih **Wawasan**, lalu Tambah.** **Dari daftar, pilih **Deteksi anomali** dan Pilih.**

1. Ikuti prompt layar pada widget baru, yang memberitahu Anda untuk memilih bidang untuk wawasan. Tambahkan setidaknya satu tanggal, satu ukuran, dan satu dimensi. 

1. Pilih **Mulai** di widget. Layar konfigurasi muncul.

1. Di bawah **Opsi komputasi**, pilih nilai untuk opsi berikut.

   1. **Untuk Kombinasi yang akan dianalisis**, pilih salah satu opsi berikut:

      1. **Hirarkis**

         Pilih opsi ini jika Anda ingin menganalisis bidang secara hierarkis. Misalnya, jika Anda memilih tanggal (T), ukuran (N), dan tiga kategori dimensi (C1, C2, dan C3), Quick Sight menganalisis bidang secara hierarkis, seperti yang ditunjukkan berikut.

         ```
         T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
         ```

      1. **Tepat**

         Pilih opsi ini jika Anda ingin menganalisis hanya kombinasi bidang yang tepat di bidang Kategori dengan baik, seperti yang tercantum. Misalnya, jika Anda memilih tanggal (T), ukuran (N), dan tiga kategori dimensi (C1, C2, dan C3), Quick Sight hanya menganalisis kombinasi yang tepat dari bidang kategori dalam urutan mereka terdaftar, seperti yang ditunjukkan berikut.

         ```
         T-C1-C2-C3-N
         ```

      1. **Semua**

         Pilih opsi ini jika Anda ingin menganalisis semua kombinasi bidang di bidang Kategori dengan baik. Misalnya, jika Anda memilih tanggal (T), ukuran (N), dan tiga kategori dimensi (C1, C2, dan C3), Quick Sight menganalisis semua kombinasi bidang, seperti yang ditunjukkan berikut.

         ```
         T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N, T-C1-C3-N, T-C2-N, T-C2-C3-N, T-C3-N
         ```

      Jika Anda memilih tanggal dan ukuran saja, Quick Sight menganalisis bidang berdasarkan tanggal dan kemudian dengan ukuran.

      Di bagian **Bidang yang akan dianalisis**, Anda dapat melihat daftar bidang dari sumur lapangan untuk referensi.

   1. Untuk **Nama**, masukkan nama alfanumerik deskriptif tanpa spasi, atau pilih nilai default. Ini memberikan nama untuk perhitungan.

      Jika Anda berencana mengedit narasi yang secara otomatis ditampilkan pada widget, Anda dapat menggunakan nama untuk mengidentifikasi perhitungan widget ini. Sesuaikan nama jika Anda berencana untuk mengedit autonarrative dan jika Anda memiliki perhitungan serupa lainnya dalam analisis Anda.

1. Di bagian **Opsi tampilan**, pilih opsi berikut untuk menyesuaikan apa yang ditampilkan di widget wawasan Anda. Anda masih dapat menjelajahi semua hasil Anda, apa pun yang Anda tampilkan.

   1. **Jumlah maksimum anomali untuk ditampilkan** - Jumlah outlier yang ingin Anda tampilkan di widget naratif. 

   1. **Tingkat keparahan** - Tingkat keparahan minimum untuk anomali yang ingin Anda tampilkan di widget wawasan.

      *Tingkat keparahan* adalah kisaran skor anomali yang ditandai dengan skor anomali aktual terendah yang termasuk dalam kisaran tersebut. Semua anomali yang mendapat skor lebih tinggi termasuk dalam kisaran. Jika Anda menyetel tingkat keparahan ke **Rendah**, wawasan menampilkan semua anomali yang berperingkat antara rendah dan sangat tinggi. Jika Anda mengatur tingkat keparahannya ke **Sangat tinggi**, wawasan hanya menampilkan anomali yang memiliki skor anomali tertinggi.

      Anda dapat menggunakan opsi berikut:
      + **Sangat tinggi** 
      + **Tinggi dan di atas** 
      + **Sedang dan di atas** 
      + **Rendah dan di atas** 

   1. **Arah** — Arah pada sumbu x atau sumbu y yang ingin Anda identifikasi sebagai anomali. Anda dapat memilih dari opsi berikut:
      + **Lebih tinggi dari yang diharapkan** untuk mengidentifikasi nilai yang lebih tinggi sebagai anomali.
      + **Lebih rendah dari yang diharapkan** untuk mengidentifikasi nilai yang lebih rendah sebagai anomali. 
      + **[ALL]** untuk mengidentifikasi semua nilai anomali, tinggi dan rendah (pengaturan default).

   1. **Delta** — Masukkan nilai kustom yang akan digunakan untuk mengidentifikasi anomali. Jumlah apa pun yang lebih tinggi dari nilai ambang dianggap sebagai anomali. Nilai-nilai di sini mengubah cara kerja wawasan dalam analisis Anda. Di bagian ini, Anda dapat mengatur yang berikut:
      + **Nilai absolut** — Nilai aktual yang digunakan. Misalnya, anggaplah ini 48. Amazon Quick Sight kemudian mengidentifikasi nilai sebagai anomali ketika perbedaan antara nilai dan nilai yang diharapkan lebih besar dari 48. 
      + **Persentase** — Persentase ambang batas untuk digunakan. Misalnya, anggaplah ini adalah 12,5%. Amazon Quick Sight kemudian mengidentifikasi nilai sebagai anomali ketika perbedaan antara nilai dan nilai yang diharapkan lebih besar dari 12,5%.

   1. **Urutkan berdasarkan** - Pilih metode pengurutan untuk hasil Anda. Beberapa metode didasarkan pada skor anomali yang dihasilkan Amazon Quick Sight. Amazon Quick Sight memberikan skor yang lebih tinggi ke titik data yang terlihat anomali. Anda dapat menggunakan salah satu opsi berikut: 
      + **Skor anomali tertimbang — Skor** anomali dikalikan dengan log nilai absolut dari perbedaan antara nilai aktual dan nilai yang diharapkan. Skor ini selalu angka positif. 
      + **Skor anomali — Skor** anomali aktual yang ditetapkan untuk titik data ini.
      + **Perbedaan tertimbang dari nilai yang diharapkan** — Skor anomali dikalikan dengan selisih antara nilai aktual dan nilai yang diharapkan (default).
      + **Perbedaan dari nilai yang diharapkan** — Perbedaan aktual antara nilai aktual dan nilai yang diharapkan (yaitu, aktual-diharapkan).
      + **Nilai aktual** - Nilai aktual tanpa rumus yang diterapkan.

1. Di bagian **Opsi jadwal**, atur jadwal untuk menjalankan perhitungan ulang wawasan secara otomatis. Jadwal hanya berjalan untuk dasbor yang diterbitkan. Dalam analisis, Anda dapat menjalankannya secara manual sesuai kebutuhan. Penjadwalan mencakup pengaturan berikut:
   + **Kejadian** — Seberapa sering Anda ingin perhitungan ulang berjalan: setiap jam, setiap hari, setiap minggu, atau setiap bulan.
   + **Mulai jadwal pada** — Tanggal dan waktu untuk mulai menjalankan jadwal ini.
   + **Timezone** — Zona waktu di mana jadwal berjalan. Untuk melihat daftar, hapus entri saat ini. 

1. Di **bagian Kontributor teratas**, atur Amazon Quick Sight untuk menganalisis driver utama saat outlier (anomali) terdeteksi.

   Misalnya, Amazon Quick Sight dapat menunjukkan kepada pelanggan teratas yang berkontribusi pada lonjakan penjualan di AS untuk produk perbaikan rumah. Anda dapat menambahkan hingga empat dimensi dari kumpulan data Anda. Ini termasuk dimensi yang tidak Anda tambahkan ke sumur bidang widget wawasan ini.

   Untuk daftar dimensi yang tersedia untuk analisis kontribusi, pilih **Pilih bidang**.

1. Pilih **Simpan** untuk mengonfirmasi pilihan Anda. Pilih **Batal** untuk keluar tanpa menyimpan.

1. Dari widget wawasan, pilih **Jalankan sekarang** untuk menjalankan deteksi anomali dan melihat wawasan Anda.

Jumlah waktu yang dibutuhkan detekton anomali untuk menyelesaikan bervariasi tergantung pada berapa banyak titik data unik yang Anda analisis. Prosesnya bisa memakan waktu beberapa menit untuk jumlah poin minimum, atau bisa memakan waktu berjam-jam.

Saat berjalan di latar belakang, Anda dapat melakukan pekerjaan lain dalam analisis Anda. Pastikan untuk menunggu sampai selesai sebelum Anda mengubah konfigurasi, mengedit narasi, atau membuka halaman **Jelajahi anomali** untuk wawasan ini.

Widget wawasan harus dijalankan setidaknya sekali sebelum Anda dapat melihat hasilnya. Jika menurut Anda statusnya mungkin kedaluwarsa, Anda dapat me-refresh halaman. Wawasan dapat memiliki keadaan berikut.


| Muncul di Halaman | Status | 
| --- | --- | 
| Jalankan tombol sekarang | Pekerjaan belum dimulai. | 
| Pesan tentang Menganalisis anomali | Pekerjaan saat ini sedang berjalan. | 
| Narasi tentang anomali yang terdeteksi (outlier)  | Pekerjaan telah berjalan dengan sukses. Pesan mengatakan kapan perhitungan widget ini terakhir diperbarui. | 
| Ikon peringatan dengan tanda seru (\$1 )  | Ikon ini menunjukkan ada kesalahan selama proses terakhir. Jika narasi juga ditampilkan, Anda masih dapat menggunakan anomali Jelajahi untuk menggunakan data dari proses sukses sebelumnya.  | 

# Menggunakan analisis kontribusi untuk driver utama
<a name="anomaly-detection-adding-key-drivers"></a>

Amazon Quick Sight dapat mengidentifikasi dimensi (kategori) yang berkontribusi pada outlier dalam ukuran (metrik) antara dua titik waktu. Pendorong utama yang berkontribusi pada outlier membantu Anda menjawab pertanyaan: Apa yang menyebabkan anomali ini? 

Jika Anda sudah menggunakan deteksi anomali tanpa analisis kontribusi, Anda dapat mengaktifkan wawasan ML yang ada untuk menemukan driver utama. Gunakan prosedur berikut untuk menambahkan analisis kontribusi dan mengidentifikasi pendorong utama di balik outlier. Wawasan Anda untuk deteksi anomali perlu menyertakan bidang waktu dan setidaknya satu metrik agregat (SUM, AVERAGE, atau COUNT). Anda dapat menyertakan beberapa kategori (bidang dimensi) jika diinginkan, tetapi Anda juga dapat menjalankan analisis kontribusi tanpa menentukan kategori atau bidang dimensi apa pun.

Anda juga dapat menggunakan prosedur ini untuk mengubah atau menghapus bidang sebagai driver utama dalam deteksi anomali Anda.

**Untuk menambahkan analisis kontribusi untuk mengidentifikasi pendorong utama**

1. Buka analisis Anda dan temukan wawasan ML yang ada untuk deteksi anomali. Pilih widget wawasan untuk menyorotnya.

1. Pilih **Menu Options** (**...**) dari menu pada visual.

1. Pilih **Konfigurasi anomali** untuk mengedit pengaturan.

1. Pengaturan **analisis Kontribusi (opsional)** memungkinkan Amazon Quick Sight untuk menganalisis driver utama ketika outlier (anomali) terdeteksi. Misalnya, Amazon Quick Sight dapat menunjukkan kepada Anda pelanggan teratas yang berkontribusi pada lonjakan penjualan di AS untuk produk perbaikan rumah. Anda dapat menambahkan hingga empat dimensi dari kumpulan data Anda, termasuk dimensi yang tidak Anda tambahkan ke sumur bidang widget wawasan ini.

   Untuk melihat daftar dimensi yang tersedia untuk analisis kontribusi, pilih **Pilih bidang**.

   Jika Anda ingin mengubah bidang yang Anda gunakan sebagai driver utama, ubah bidang yang diaktifkan dalam daftar ini. Jika Anda menonaktifkan semuanya, Quick Sight tidak akan melakukan analisis kontribusi apa pun dalam wawasan ini.

1. Untuk menyimpan perubahan Anda, gulir ke bagian bawah opsi konfigurasi, dan pilih **Simpan**. Untuk keluar tanpa menyimpan, pilih **Batal**. Untuk menghapus pengaturan ini sepenuhnya, pilih **Hapus**.

# Menjelajahi outlier dan pendorong utama dengan deteksi anomali bertenaga ML dan analisis kontribusi
<a name="anomaly-exploring"></a>

Anda dapat secara interaktif menjelajahi anomali (juga dikenal sebagai outlier) dalam analisis Anda, bersama dengan kontributor (pendorong utama). Analisis ini tersedia untuk Anda jelajahi setelah deteksi anomali bertenaga ML berjalan. Perubahan yang Anda buat di layar ini tidak disimpan saat Anda kembali ke analisis.

Untuk memulai, pilih **Jelajahi anomali** dalam wawasan. Tangkapan layar berikut menunjukkan layar anomali seperti yang muncul saat Anda pertama kali membukanya. Dalam contoh ini, analisis kontributor diatur dan menunjukkan dua pendorong utama.

![\[Analisis anomali dengan kontributor ditampilkan.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/anomaly-exploration-v2.png)


Bagian layar meliputi yang berikut, dari kiri atas ke kanan bawah:
+ **Kontributor** menampilkan driver kunci. Untuk melihat bagian ini, Anda harus menyiapkan kontributor dalam konfigurasi anomali Anda. 
+ **Kontrol** berisi pengaturan untuk eksplorasi anomali.
+ **Jumlah anomali** menampilkan outlier terdeteksi dari waktu ke waktu. Anda dapat menyembunyikan atau menampilkan bagian bagan ini.
+ **Nama bidang Anda** untuk bidang kategori atau dimensi bertindak sebagai judul untuk bagan yang menunjukkan anomali untuk setiap kategori atau dimensi. 

Bagian berikut memberikan informasi rinci untuk setiap aspek penjelajahan anomali.

**Topics**
+ [Menjelajahi kontributor (driver utama)](exploring-anomalies-key-drivers.md)
+ [Mengatur kontrol untuk deteksi anomali](exploring-anomalies-controls.md)
+ [Menampilkan dan menyembunyikan anomali berdasarkan tanggal](exploring-anomalies-by-date.md)
+ [Menjelajahi anomali per kategori atau dimensi](exploring-anomalies-per-category-or-dimension.md)

# Menjelajahi kontributor (driver utama)
<a name="exploring-anomalies-key-drivers"></a>

Jika wawasan anomali Anda diatur untuk mendeteksi driver utama, Quick Sight menjalankan analisis kontribusi untuk menentukan kategori (dimensi) mana yang memengaruhi outlier. Bagian **Kontributor** muncul di sebelah kiri. 

**Kontributor** berisi bagian-bagian berikut:
+ **Narasi** — Di kiri atas, ringkasan menjelaskan setiap perubahan dalam metrik.
+ **Konfigurasi kontributor teratas** — Pilih **Konfigurasi** untuk mengubah kontributor dan rentang tanggal yang akan digunakan di bagian ini.
+ **Urutkan berdasarkan** - Menetapkan pengurutan yang diterapkan pada hasil yang muncul di bawah ini. Anda dapat memilih dari opsi berikut:
  + **Perbedaan absolut** 
  + **Persentase kontribusi** (default) 
  + **Penyimpangan dari yang diharapkan** 
  + **Perbedaan persentase** 
+ **Hasil kontributor teratas** - Menampilkan hasil analisis kontributor teratas untuk titik waktu yang dipilih pada garis waktu di sebelah kanan. 

  Analisis kontribusi mengidentifikasi hingga empat faktor utama yang berkontribusi atau pendorong utama anomali. Misalnya, Amazon Quick Sight dapat menunjukkan kepada Anda pelanggan teratas yang berkontribusi pada lonjakan penjualan di AS untuk produk kesehatan. Panel ini hanya muncul jika Anda memilih untuk menyertakan bidang dalam analisis kontribusi saat Anda mengonfigurasi anomali. 

  Jika Anda tidak melihat panel ini dan ingin menampilkannya, Anda dapat menyalakannya. Untuk melakukannya, buka analisis, pilih konfigurasi anomali dari menu wawasan, dan pilih hingga empat bidang untuk dianalisis untuk kontribusi. Jika Anda membuat perubahan pada kontrol lembar yang mengecualikan driver yang berkontribusi, panel **Kontribusi** akan ditutup.

# Mengatur kontrol untuk deteksi anomali
<a name="exploring-anomalies-controls"></a>

Anda dapat menemukan pengaturan untuk deteksi anomali di bagian **Kontrol** layar. Anda dapat membuka dan menutup bagian ini dengan mengklik kata **Kontrol**.

Pengaturannya meliputi yang berikut:
+ **Kontrol** - Pengaturan saat ini muncul di bagian atas ruang kerja. Anda dapat memperluas bagian ini dengan memilih ikon panah ganda di sisi kanan. Pengaturan berikut tersedia untuk menjelajahi outlier yang dihasilkan oleh deteksi anomali bertenaga ML:
  + **Keparahan** — Mengatur seberapa sensitif detektor Anda terhadap anomali yang terdeteksi (outlier). **Anda harus berharap untuk melihat lebih banyak anomali dengan ambang batas diatur ke **Rendah dan di atas, dan** lebih sedikit anomali ketika ambang batas diatur ke Tinggi dan di atas.** Sensitivitas ini ditentukan berdasarkan standar deviasi skor anomali yang dihasilkan oleh algoritma RCF. Defaultnya adalah **Medium dan di atas**.
  + **Arah** — Arah pada sumbu x atau sumbu y yang ingin Anda identifikasi sebagai anomali. Defaultnya adalah [ALL]. Anda dapat memilih yang berikut ini:
    + Setel ke **Lebih Tinggi dari yang diharapkan** untuk mengidentifikasi nilai yang lebih tinggi sebagai anomali. 
    + Setel ke **Lebih rendah dari yang diharapkan** untuk mengidentifikasi nilai yang lebih rendah sebagai anomali. 
    + Setel ke **[ALL]** untuk mengidentifikasi semua nilai anomali, baik tinggi maupun rendah. 
  + **Minimum Delta - nilai absolut** - Masukkan nilai kustom untuk digunakan sebagai ambang absolut untuk mengidentifikasi anomali. Jumlah apa pun yang lebih tinggi dari nilai ini dianggap sebagai anomali. 
  + **Minimum Delta - persentase** - Masukkan nilai kustom untuk digunakan sebagai ambang persentase untuk mengidentifikasi anomali. Jumlah apa pun yang lebih tinggi dari nilai ini dianggap sebagai anomali. 
  + **Urutkan berdasarkan** - Pilih metode yang ingin Anda terapkan untuk mengurutkan anomali. Ini tercantum dalam urutan yang disukai di layar. Lihat daftar berikut untuk deskripsi masing-masing metode.
    + **Skor anomali tertimbang — Skor** anomali dikalikan dengan log nilai absolut dari perbedaan antara nilai aktual dan nilai yang diharapkan. Skor ini selalu angka positif.
    + **Skor anomali — Skor** anomali aktual yang ditetapkan untuk titik data ini.
    + **Perbedaan tertimbang dari nilai yang diharapkan** — (Default) Skor anomali dikalikan dengan selisih antara nilai aktual dan nilai yang diharapkan.
    + **Perbedaan dari nilai yang diharapkan** — Perbedaan aktual antara nilai aktual dan nilai yang diharapkan (aktual-diharapkan).
    + **Nilai aktual** - Nilai aktual tanpa rumus yang diterapkan.
  + **Kategori** — Satu atau lebih pengaturan dapat muncul di akhir pengaturan lainnya. Ada satu untuk setiap bidang kategori yang Anda tambahkan ke bidang kategori dengan baik. Anda dapat menggunakan pengaturan kategori untuk membatasi data yang ditampilkan di layar. 

# Menampilkan dan menyembunyikan anomali berdasarkan tanggal
<a name="exploring-anomalies-by-date"></a>

Bagan **Jumlah anomali** menunjukkan outlier terdeteksi dari waktu ke waktu. Jika Anda tidak melihat bagan ini, Anda dapat menampilkannya dengan memilih **TAMPILKAN ANOMALI BERDASARKAN TANGGAL.** 

Bagan ini menunjukkan anomali (outlier) untuk titik data terbaru dalam deret waktu. Ketika diperluas, ini menampilkan komponen-komponen berikut:
+ **Anomali** — Bagian tengah layar menampilkan anomali untuk titik data terbaru dalam deret waktu. Satu atau lebih grafik muncul dengan bagan yang menunjukkan variasi dalam metrik dari waktu ke waktu. Untuk menggunakan grafik ini, pilih titik di sepanjang garis waktu. Titik waktu yang dipilih saat ini disorot dalam grafik, dan menyertakan menu yang menawarkan Anda opsi untuk menganalisis kontribusi ke metrik saat ini. Anda juga dapat menyeret kursor ke garis waktu tanpa memilih titik tertentu untuk menampilkan nilai metrik untuk titik waktu tersebut.
+ **Anomali berdasarkan tanggal** — Jika Anda memilih **TAMPILKAN ANOMALI BERDASARKAN TANGGAL**, grafik lain muncul yang menunjukkan berapa banyak anomali signifikan yang ada untuk setiap titik waktu. Anda dapat melihat detail dalam bagan ini pada menu konteks setiap bar. 
+ **Penyesuaian garis waktu** - Setiap grafik memiliki alat penyesuaian garis waktu di bawah tanggal, yang dapat Anda gunakan untuk mengompres, memperluas, atau memilih periode waktu untuk dilihat.

# Menjelajahi anomali per kategori atau dimensi
<a name="exploring-anomalies-per-category-or-dimension"></a>

Bagian utama layar **Jelajahi anomali** terkunci di kanan bawah layar. Tetap di sini tidak peduli berapa banyak bagian lain dari layar yang terbuka. Jika ada beberapa anomali, Anda dapat menggulir keluar untuk menyorotnya. Bagan menampilkan anomali dalam rentang warna dan menunjukkan di mana mereka terjadi selama periode waktu tertentu. 

![\[Jelajahi layar anomali.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/anomaly-exploration-1.png)


Setiap kategori atau dimensi memiliki bagan terpisah yang menggunakan nama bidang sebagai judul bagan. Setiap bagan berisi komponen-komponen berikut:
+ **Konfigurasikan peringatan** — Jika Anda menjelajahi anomali dari dasbor, pilih tombol ini untuk berlangganan peringatan dan analisis kontribusi (jika dikonfigurasi). Anda dapat mengatur peringatan untuk tingkat keparahan (sedang, tinggi, dan sebagainya). Anda bisa mendapatkan lima peringatan teratas untuk **Lebih Tinggi dari yang diharapkan, Lebih** **rendah dari yang diharapkan**, atau SEMUA. Pembaca dasbor dapat mengonfigurasi peringatan untuk diri mereka sendiri. Jika Anda membuka halaman **Jelajahi Anomali** tidak akan menampilkan tombol ini jika Anda membuka halaman dari analisis.
**catatan**  
Kemampuan untuk mengonfigurasi peringatan hanya tersedia di dasbor yang diterbitkan.
+ **Status** - Di bawah header **Anomali**, label status menampilkan informasi tentang proses terakhir. Misalnya, Anda mungkin melihat “Anomali untuk Pendapatan pada 17 November 2018.” Label ini memberi tahu Anda berapa banyak metrik yang diproses dan berapa lama yang lalu. Anda dapat memilih tautan untuk mempelajari lebih lanjut tentang detailnya, seperti berapa banyak metrik yang diabaikan.

# Meramalkan dan membuat skenario bagaimana-jika dengan Amazon Quick Sight
<a name="forecasts-and-whatifs"></a>

Dengan menggunakan peramalan bertenaga ML, Anda dapat memperkirakan metrik bisnis utama Anda dengan mudah. point-and-click Tidak diperlukan keahlian pembelajaran mesin. Algoritma HTML bawaan di Amazon Quick Sight dirancang untuk menangani skenario dunia nyata yang kompleks. Amazon Quick Sight menggunakan pembelajaran mesin untuk membantu memberikan perkiraan yang lebih andal daripada yang tersedia dengan cara tradisional.

Misalnya, anggaplah Anda adalah seorang manajer bisnis. Misalkan Anda ingin memperkirakan penjualan untuk melihat apakah Anda akan memenuhi tujuan Anda pada akhir tahun. Atau, misalkan Anda mengharapkan banyak hal akan datang dalam dua minggu dan Anda ingin tahu bagaimana hal itu akan mempengaruhi perkiraan Anda secara keseluruhan. 

Anda dapat memperkirakan pendapatan bisnis Anda dengan berbagai tingkat musiman (misalnya, penjualan dengan tren mingguan dan triwulanan). Amazon Quick Sight secara otomatis mengecualikan anomali dalam data (misalnya, lonjakan penjualan karena penurunan harga atau promosi) dari mempengaruhi perkiraan. Anda juga tidak perlu membersihkan dan menyiapkan ulang data dengan nilai yang hilang karena Amazon Quick Sight secara otomatis menanganinya. Selain itu, dengan peramalan bertenaga ML, Anda dapat melakukan analisis bagaimana-jika interaktif untuk menentukan lintasan pertumbuhan yang Anda butuhkan untuk memenuhi tujuan bisnis.

## Menggunakan prakiraan dan skenario bagaimana-jika
<a name="using-forecasts"></a>

Anda dapat menambahkan widget peramalan ke analisis yang ada, dan mempublikasikannya sebagai dasbor. Untuk menganalisis skenario bagaimana-jika, gunakan analisis, bukan dasbor. Dengan peramalan bertenaga ML, Amazon Quick Sight memungkinkan Anda memperkirakan skenario dunia nyata yang kompleks seperti data dengan beberapa musim. Secara otomatis mengecualikan outlier yang mengidentifikasi dan menyiratkan nilai yang hilang.

Gunakan prosedur berikut untuk menambahkan perkiraan grafis ke analisis Anda, dan jelajahi skenario bagaimana-jika.

Meskipun prosedur berikut adalah untuk peramalan grafis, Anda juga dapat menambahkan ramalan sebagai narasi dalam widget wawasan. Untuk mempelajari selengkapnya, lihat [Membuat autonarrative dengan Amazon Quick Sight](narratives-creating.md).

[Peramalan bertenaga ML tidak kompatibel dengan kelipatan kecil.](small-multiples.md) Untuk memastikan tampilan data dan prakiraan yang akurat, hindari menggunakan kelipatan kecil dalam visualisasi Anda.

**Untuk menambahkan perkiraan grafis ke analisis Anda**

1. Buat visual yang menggunakan bidang tanggal tunggal dan hingga tiga metrik (ukuran).

1. **Pada menu di sudut kanan atas visual, pilih ikon **Opsi menu** (tiga titik), lalu pilih Tambahkan perkiraan.**

   Quick Sight secara otomatis menganalisis data historis menggunakan ML, dan menampilkan perkiraan grafis untuk 14 periode berikutnya. Properti Forecast berlaku untuk semua metrik dalam visual Anda. Jika Anda menginginkan prakiraan individual untuk setiap metrik, pertimbangkan untuk membuat visual terpisah untuk setiap metrik dan menambahkan perkiraan ke masing-masing metrik.  
![\[Gambar visual bagan garis dengan tiga metrik diperkirakan.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/forecast2.png)

1. Pada panel **properti Forecast** di sebelah kiri, sesuaikan satu atau beberapa pengaturan berikut:
   + **Panjang Forecast** — Tetapkan **Periode ke depan** ke perkiraan, atau atur **Periode mundur** untuk mencari pola yang menjadi dasar perkiraan.
   + **Interval prediksi** - Tetapkan rentang perkiraan untuk perkiraan. Melakukan hal ini mengubah seberapa lebar pita kemungkinan berada di sekitar garis yang diprediksi. 
   + **Musiman** — Tetapkan jumlah periode waktu yang terlibat dalam pola data musiman yang dapat diprediksi. **Kisarannya adalah 1-180, dan pengaturan default adalah Otomatis.**
   + **Batas Forecast** — Tetapkan nilai perkiraan minimum dan/atau maksimum untuk mencegah nilai perkiraan naik di atas atau di bawah nilai yang ditentukan. Misalnya, jika perkiraan Anda memprediksi jumlah karyawan baru yang akan dibuat perusahaan di bulan depan dalam angka negatif, Anda dapat menetapkan batas perkiraan minimum menjadi nol. Ini menghentikan nilai yang diperkirakan dari yang pernah berada di bawah nol.

   Untuk menyimpan perubahan Anda, pilih **Terapkan**.

   Jika perkiraan Anda berisi beberapa metrik, Anda dapat mengisolasi salah satu prakiraan dengan memilih di mana saja di dalam pita oranye. Ketika Anda melakukan ini, perkiraan lainnya menghilang. Pilih pita perkiraan yang terisolasi lagi agar mereka muncul kembali.

1. Analisis skenario bagaimana-jika dengan memilih titik data yang diperkirakan (dalam pita oranye) pada bagan, lalu pilih **analisis bagaimana-jika** dari menu konteks.

   Panel **analisis bagaimana-jika** terbuka di sebelah kiri. Tetapkan opsi berikut:
   + **Skenario** - Tetapkan target untuk tanggal, atau tetapkan target untuk rentang waktu.
   + **Tanggal** — Jika Anda menetapkan target untuk tanggal tertentu, masukkan tanggal tersebut di sini. Jika Anda menggunakan rentang waktu, atur tanggal mulai dan berakhir.
   + **Target** — Tetapkan nilai target untuk metrik.

   Amazon Quick Sight menyesuaikan perkiraan untuk memenuhi target. 
**catatan**  
Opsi **analisis bagaimana-jika** tidak tersedia untuk prakiraan multi-metrik. Jika Anda ingin melakukan skenario bagaimana-jika pada perkiraan Anda, visual Anda harus berisi hanya satu metrik.

1. Pertahankan perubahan Anda dengan memilih **Terapkan**. Untuk membuangnya, tutup panel analisis **bagaimana-jika**. 

   Jika Anda menyimpan perubahan Anda, Anda melihat perkiraan baru disesuaikan untuk target, di samping perkiraan asli tanpa bagaimana-jika. 

   Analisis bagaimana-jika direpresentasikan pada visual sebagai titik pada garis metrik. Anda dapat mengarahkan kursor ke titik data pada garis perkiraan untuk melihat detailnya. 

Berikut adalah hal-hal lain yang dapat Anda lakukan:
+ Untuk berinteraksi dengan atau menghapus analisis bagaimana-jika, pilih titik pada garis metrik. 
+ Untuk membuat skenario bagaimana-jika tambahan, tutup analisis bagaimana-jika sebelum memilih titik baru di telepon.

**catatan**  
Analisis bagaimana-jika bisa ada di dalam analisis saja, bukan di dalam dasbor.