Random Forest dengan Fitur Lag untuk Prediksi Beban Listrik Jam Berikutnya pada Gardu Induk

Info proyek

• Bidang studiTeknik Elektro dan Energi
• JenjangDisertasi (S3)
• Jenis metodeDeret Waktu
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn RandomForestRegressor, pandas.DataFrame.shift
• HargaRp 500.000 - Rp 3.050.000

Tujuan analisis

Meramalkan beban jam berikutnya dengan Random Forest dengan Fitur Lag memanfaatkan beban jam sebelumnya dan suhu udara sebagai variabel pendukung.

Variabel

Contoh hasil

• 21.001RMSE recursive
• 21.303MAPE % recursive
• 19.762RMSE one-step
• 0.664R2 one-step
• 12Top lag (months)
• 0.652Top lag importance

Model random forest berfitur lag meramalkan Beban jam berikutnya 12 periode ke depan dengan RMSE 21.001 dan MAPE 21.30%. Lag terpenting adalah t-12.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Random Forest dengan Fitur Lag

Random forest dengan fitur lag memakai nilai-nilai deret waktu sebelumnya sebagai prediktor sehingga masalah peramalan menjadi regresi tabular. Cocok untuk deret dengan pola nonlinear atau banyak variabel penjelas tambahan.

Langkah pengerjaan

1. 1Buat fitur lag (misalnya t-1, t-2, t-12) dan fitur kalender
2. 2Bagi data latih dan uji secara berurutan tanpa pengacakan
3. 3Latih RandomForestRegressor
4. 4Evaluasi MAE dan RMSE pada periode uji
5. 5Bandingkan dengan peramalan naif
6. 6Lihat pentingnya tiap lag dan plot hasil

Asumsi yang perlu diperiksa

• Pembagian data harus berurutan agar tidak ada kebocoran masa depan
• Pola tetap berlaku pada periode ramalan
• Random forest tidak mengekstrapolasi tren di luar rentang latih

Membaca dan melaporkan hasil

Laporkan MAE dan RMSE terhadap baseline naif serta lag yang paling penting. Jelaskan bahwa evaluasi ini satu langkah ke depan dengan lag aktual.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor

rng = np.random.default_rng(14)
n = 240
previous_hour_load = np.arange(n)
next_hour_load = 100 + 0.2 * previous_hour_load + 12 * np.sin(2 * np.pi * previous_hour_load / 12) + rng.normal(0, 2, n)

df = pd.DataFrame({"y": next_hour_load})
for k in (1, 2, 3, 12):
    df[f"lag{k}"] = df["y"].shift(k)
df = df.dropna().reset_index(drop=True)

split = len(df) - 24
X = df.drop(columns="y").values
y = df["y"].values
rf = RandomForestRegressor(n_estimators=300, random_state=14)
rf.fit(X[:split], y[:split])
pred = rf.predict(X[split:])
naive = df["lag1"].values[split:]

print("RF    MAE:", round(np.abs(y[split:] - pred).mean(), 3),
      "RMSE:", round(np.sqrt(((y[split:] - pred) ** 2).mean()), 3))
print("Naive MAE:", round(np.abs(y[split:] - naive).mean(), 3))
print(dict(zip(df.columns[1:], rf.feature_importances_.round(3))))

plt.plot(y[split:], label="Actual")
plt.plot(pred, label="RF")
plt.plot(naive, "--", label="Naive")
plt.legend()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum