Kursus Peramalan Beban Listrik dengan LSTM + Algoritma Genetika (PyTorch)
Ramal beban listrik 24 jam ke depan dengan LSTM: data beban per jam dan suhu, fitur kalender, hari libur & lag, baseline naive, Ridge, dan SARIMA, model LSTM PyTorch, lalu optimasi arsitektur dan hyperparameter dengan algoritma genetika — dievaluasi sepanjang setahun data uji.
Materi mengikuti seri video Kursus Peramalan Beban Listrik Jangka Pendek dengan LSTM + Optimasi Evolusioner (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- ±2,8% — MAPE uji LSTM hasil algoritma genetika
- 3,3% — MAPE baseline terbaik (regresi Ridge)
- 43.824 — Jam data beban & suhu (2015–2019)
- 24 jam — Horizon ramalan sekali jalan
Apa yang Dipelajari
- Pola Beban Listrik: Pola harian, mingguan, musiman, dan pengaruh suhu.
- Fitur & Windowing: Fitur kalender sin-cos, hari libur, suhu, lag 168, dan jendela deret waktu.
- Baseline: Naive mingguan, regresi Ridge, dan SARIMA sebagai pembanding.
- LSTM 24 Jam: Model LSTM PyTorch dengan early stopping.
- Algoritma Genetika: Mencari jumlah lapisan, unit, dropout, dan learning rate terbaik.
- Evaluasi: MAPE/RMSE, galat per jam & bulan, dan hari tersulit diramal.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian peramalan beban listrik lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode PyTorch yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja peramalan beban listrik dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik PyTorch pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat jasa riset peramalan beban & energi.
