Semua kelas Silabus ANFIS Metaheuristik Peramalan Deret Waktu · Episode 5 dari 6

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA

1 kali dilihat

Kelas perbandingan ANFIS metaheuristik dengan LSTM dan ARIMA untuk peramalan deret waktu menggunakan Python bahasa Indonesia. Episode 5 seri ANFIS metaheuristik peramalan deret waktu.

Software: Python (NumPy, statsmodels, PyTorch, Matplotlib)
Level: Mahir
Durasi: ± 9 menit
Total seri: 59 menit · 6 video
Terbit: 25 Oktober 2026

Episode 5 dari 6 · lihat silabus

Unduh PDF (6 halaman PDF)

0 kali diunduh

Unduh File Project· 33 KB Buka Semua Kelas Premium ▶ Tonton video praktik0 kali ditonton

▶ Video Praktik

Lihat semua langkah di atas dipraktikkan langsung, lengkap dengan narasi.

0 kali ditonton

Buku kelas

Halaman 1 / 6

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA: Sampul: Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA: Sebelum mulai, daftar langkah, dan Langkah 1

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA: Langkah 2: LSTM dengan early stopping

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA: Langkah 3: Tiga model pada data uji

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA: Langkah 4: Grafik ramalan

Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA: Selesai: hasil akhir dan latihan lanjutan

Sampul: Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA

Klik halaman atau ◀ ▶ untuk membalik · geser di HP · untuk memperbesar

Ingin belajar lebih dalam?

Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.

Unduh PDF· 0 kali diunduh Lihat silabus lengkap 6 episode Lihat Kursus ANFIS Deret Waktu Tanya via WhatsApp

Kelas yang direkomendasikan untuk Anda

Dipilih dari software, topik, dan level “Kelas ANFIS Metaheuristik Peramalan Deret Waktu #5: Perbandingan dengan LSTM dan ARIMA”.

6 episodeAda gratis

Python · Menengah–Mahir

Peramalan Beban Listrik LSTM

6 episode video + PDF, total 53 menit. Dimulai dari: Data Beban Listrik per Jam: Pola Harian, Mingguan, dan Musiman.

53 menit 0 0

Lihat kelas

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episodeAda gratis

Python · Menengah–Mahir

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episode video + PDF, total 57 menit. Dimulai dari: Dataset Rontgen Dada: Memuat, Eksplorasi & Pembagian Data.

57 menit 22 0

Lihat kelas

18 episodeAda gratis

Python · Pemula–Mahir

Machine Learning Python

18 episode video + PDF, total 3 jam 41 menit. Dimulai dari: Pengenalan Machine Learning & Model Pertama.

3 jam 41 menit 61 0

Lihat kelas

50 episodeAda gratis

Agentic AI · Pemula–Menengah

Agentic AI Tanpa Coding

50 episode video + PDF, total 14 jam 29 menit. Dimulai dari: Chatbot, Otomasi, dan AI Agent: Apa Bedanya?.

14 jam 29 menit 66 0

Lihat kelas

100 episodeAda gratis

Claude · Pemula–Mahir

Claude dari Nol sampai Mahir

100 episode video + PDF, total 15 jam 1 menit. Dimulai dari: Apa Itu Claude dan Bedanya dengan ChatGPT serta Gemini.

15 jam 1 menit 62 0

Lihat kelas

Optimasi Multi-Objektif NSGA-II MOPSO Hybrid

6 episodeAda gratis

Python · Menengah–Mahir

Optimasi Multi-Objektif NSGA-II MOPSO Hybrid

6 episode video + PDF, total 59 menit. Dimulai dari: Optimasi Multi-Objektif: Pareto Front, Dominasi, dan Fungsi Uji ZDT/DTLZ.

59 menit 9 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Segmentasi Tumor Otak U-Net

6 episode video + PDF, total 1 jam 10 menit. Dimulai dari: Dataset MRI Otak & Mask Tumor: Memuat, Visualisasi & Pembagian per Pasien.

1 jam 10 menit 28 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Transfer Learning Penyakit Daun

6 episode video + PDF, total 1 jam 5 menit. Dimulai dari: Dataset PlantVillage: Struktur Folder, Distribusi Kelas & Pembagian Data.

1 jam 5 menit 9 0

Lihat kelas

Butuh lebih dari video?

Pilihan lain dari kami untuk Python.

Belajar bareng mentor

Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

Kursus

Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)

Kursus

Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)

Kursus

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)

Lihat semua AI & Kecerdasan Buatan →

Minta dibuatkan

Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

Jasa

Jasa Machine Learning Python — Model Prediksi, Segmentasi Pelanggan, Deteksi Fraud & Aplikasi AI

Jasa

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas

★ 4.9

Jasa

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis

★ 4.9

Lihat semua AI & Kecerdasan Buatan →

Kabari saya kalau ada kelas Python baru

Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.

Transkrip

Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.

Tampilkan transkrip

Pembuka

Inilah hasil akhirnya, Anfis Meta Heuristik diadu dengan Arima dan LSTM. Pada Deret Chaos Mickey Glass, Anfis 12 kali lebih akurat dari LSTM. Tetapi pada sunspot yang pendek, Arima yang paling sederhana justru menang. Ayo kita mulai. Halo, selamat datang di episode kelima seri Anfis Meta Heuristik untuk peramalan Deret Waktu. Sebuah model baru hanya bermakna bila dibandingkan dengan pembanding yang kuat. Kita pakai dua yang paling umum di jurnal, Arima dari Statistik Klasik dan LSTM dari Deep Learning, pada data uji yang persis sama.

Langkah 1: ARIMA rolling origin

Buat file pembanding .pi Fungsi ramal Arima melatih Arima pada data latih, order 4, 0, 2 untuk Mickey Glass dan R9 untuk sunspot sesuai siklusnya. Lalu dengan parameter tetap, model dijalankan di seluruh Deret, dan dari setiap titik asal di data uji kita minta ramalan halangkah ke depan secara dinamis, sehingga sebanding dengan Anfis.

Langkah 2: LSTM dengan early stopping

Kelas LSTM ramal punya satu lapisan LSTM 32 unit dan lapisan linier. Fungsi ramal LSTM mengurutkan masukan lag dari yang terlama sebagai barisan, melatih 400 Ipok dengan Adam, dan menyimpan bobot dengan RMSI validasi terbaik, teknik early stopping agar tidak overfitting. Bagian utama memuat parameter premis dari episode lalu dan memilih PSO atau GE berdasarkan RMSI validasi, bukan data uji.

Langkah 3: Tiga model pada data uji

Lalu ketiga model meramal data uji, RMSI dicetak, dan semua ramalan disimpan ke file NPZ. Jalankan Pada Mekiglas, Anfis PSO mencapai RMSI 0,0029, LSTM 0,0339, dan Arima 0,0485. Anfis 12 kali lebih akurat dari LSTM dan 17 kali dari Arima. Pada Sunspot, Arima 0,1128, Anfis Ga 0,1303, dan LSTM 0,1335. Lanjutkan dengan grafik ramalan.

Langkah 4: Grafik ramalan

Mari lihat grafiknya. Pada Mekiglas, garis Anfis menempel di data aktual, LSTM sedikit meleset di puncak, dan Arima tertinggal pada perubahan tajam karena tidak bisa menangkap dinamika non-linear. Pada Sunspot, ketiganya mirip dan semuanya kesulitan di puncak tertinggi. Pelajarannya, model non-linear unggul saat datanya kaya dan pola non-linearnya kuat, tetapi pada data pendek, model sederhana dengan sedikit parameter bisa lebih tangguh.

Selesai!

Selesai. Kita sudah membandingkan Anfis metaheuristik dengan Arima dan LSTM secara adil. Tetapi apakah perbedaan sekecil di Sunspot itu berarti? Di episode terakhir kita jawab dengan metrik lengkap dan uji Daibold Mariano. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi model peramalan. Dari sistem Fazi Sugeno dan Anfis, optimasi parameter dengan PSO dan algoritma genetika, sampai pembanding LSTM dan Arima serta uji Daibold Mariano, serta membuka kursus pemrograman Python untuk teknik. Ingin menguasai seluruh seri ini, dari deret waktu chaos sampai evaluasi statistik? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah, data set, dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.

Tanya materi kelas

Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.

Catatan saya

Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.

Tanya jawab

Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.

Belum ada pertanyaan.

Pengajar

Tim Cerdas Inovasi Digital

Pengembang software, engineer BIM & 3D, dan praktisi AI

53 kelas video1.296 episode

Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.

Lihat klien kami →

Memuat

▶ Video Praktik

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:43Langkah 1: ARIMA rolling origin

3:11Langkah 2: LSTM dengan early stopping

5:05Langkah 3: Tiga model pada data uji

6:32Langkah 4: Grafik ramalan

7:42Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

▶ Video Praktik

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:43Langkah 1: ARIMA rolling origin

3:11Langkah 2: LSTM dengan early stopping

5:05Langkah 3: Tiga model pada data uji

6:32Langkah 4: Grafik ramalan

7:42Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

Pembuka

Langkah 1: ARIMA rolling origin

Langkah 2: LSTM dengan early stopping

Langkah 3: Tiga model pada data uji

Langkah 4: Grafik ramalan

Selesai!

Pembuka

Langkah 1: ARIMA rolling origin

Langkah 2: LSTM dengan early stopping

Langkah 3: Tiga model pada data uji

Langkah 4: Grafik ramalan

Selesai!