Jawabannya tergantung pada jenis hubungan yang ingin Anda wakili antara fitur waktu, dan variabel target.
Jika Anda menyandikan waktu sebagai angka, maka Anda menerapkan batasan tertentu pada model. Untuk model regresi linier, efek waktu sekarang monotonik, baik targetnya akan bertambah atau berkurang seiring waktu. Untuk pohon keputusan, nilai waktu yang berdekatan satu sama lain akan dikelompokkan bersama.
Pengkodean waktu sebagai kategori memberikan model lebih banyak fleksibilitas, tetapi dalam beberapa kasus, model mungkin tidak memiliki cukup data untuk belajar dengan baik. Salah satu teknik yang mungkin berguna adalah mengelompokkan nilai-nilai waktu bersama menjadi beberapa set, dan menggunakan set sebagai atribut kategorikal.
Beberapa contoh pengelompokan:
- Untuk bulan, kelompokkan ke kuartal atau musim, tergantung pada kasus penggunaan. Misalnya: Jan-Mar, Apr-Jun, dll.
- Untuk jam sehari, kelompokkan ke ember waktu: pagi, malam, dll,
- Untuk hari-minggu, kelompok ke hari kerja, akhir pekan.
Masing-masing di atas juga dapat digunakan secara langsung sebagai atribut kategori juga, mengingat data yang cukup. Selanjutnya, pengelompokan juga dapat ditemukan dengan analisis data, untuk melengkapi pendekatan berbasis pengetahuan domain.