Memuat
Memuat
Ingin belajar lebih dalam?
Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.
Dipilih dari software, topik, dan level “Kelas ANFIS Metaheuristik Peramalan Deret Waktu #6: Evaluasi RMSE/MAPE, Uji Diebold-Mariano, dan Visualisasi Ramalan”.
Pilihan lain dari kami untuk Python.
Belajar bareng mentor
Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

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

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

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)
Minta dibuatkan
Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

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

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas
★ 4.9

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis
★ 4.9
Kabari saya kalau ada kelas Python baru
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Inilah hasil akhirnya, evaluasi lengkap dengan uji statistik Daibold Mariano. Pada Mackey Glass, keunggulan Anvis sangat signifikan dengan P10-13. Pada Sunspot, Arima sedikit lebih unggul secara signifikan, sedangkan Anvis dan LSTM tidak berbeda nyata. Ayo kita mulai. Halo, selamat datang di episode terakhir seri Anvis Meta Heuristik untuk peramalan deret waktu. RMSI yang sedikit lebih kecil belum tentu berarti model lebih baik, bisa saja hanya kebetulan pada data uji tertentu. Uji Daibold Mariano menjawab pertanyaan ini secara statistik, dan menjadi standar di jurnal peramalan. Hari ini kita menulisnya dari 0.
Buat file evaluasi.py Fungsi Daibold Mariano menghitung selisih galat kuadrat kedua model di setiap titik, lalu menguji apakah rata-ratanya berbeda dari 0. Variancenya memperhitungkan autokorelasi sampai H dikurangi 1 lag untuk ramalan halangkah, dan koreksi Harvey, LeBourne, dan Newball memperbaiki ukuran uji untuk sampel kecil. Statistik negatif berarti model pertama lebih akurat.
Bagian utama memuat semua ramalan, mengembalikannya kesatuan asli, lalu menghitung RMSI, MAI, dan SMAPE. Kita pakai SMAPE, bukan MAPE biasa, karena data sunspot bisa bernilai hampir 0 sehingga MAPE meledak. Lalu Anvis diuji Daibold Mariano terhadap setiap pembanding. Jalankan. Pada Mekiglas, Anvis PSO punya RMSI 0,0026 dengan SMAPE hanya 0,22%, dibanding LSTM 2,79% dan Arima 3,98%. Statistik DM terhadap Arima-7,62 dan terhadap LSTM-10,6, keduanya sangat signifikan. Pada sunspot dalam satuan bintik matahari, Arima RMSI 17,4, Anvis 20,1, dan LSTM 20,6. DM Anvis terhadap Arima 2,05 dengan P0,043, artinya Arima lebih akurat secara signifikan, sedangkan Anvis dan LSTM tidak berbeda signifikan dengan P0,72. Lanjutkan dengan grafik, RMSI, box plot galat, dan diagram aktual terhadap ramalan.
Mari lihat grafiknya. Box plot galat Mekiglas Anvis sangat sempit di sekitar 0, dan titik-titiknya di diagram aktual terhadap ramalan berjajar api di garis diagonal. Pada sunspot, sebaran galat ketiga model mirip, dengan ekor panjang di puncak-puncak siklus. Kesimpulan penelitiannya, Anvis metaheuristik sangat unggul untuk deret non-linear yang kaya data, sedangkan untuk deret pendek, model linear tetap layak dipertimbangkan. Selesai, dan selesai pula seri ini.
Kita sudah membangun penelitian peramalan secara lengkap, analisis deret waktu, fazi sugeno, Anvis dari nol, optimasi PSO dan GE, pembanding LSTM dan Arima, sampai evaluasi dan uji daibolt Mariano. Untuk penelitian lanjutan, coba Anvis dengan reduksi aturan seperti subtractive clustering, hybrid Anvis dengan dekomposisi wavelength, ramalan multilangkah, atau data nyata seperti beban listrik dan curah hujan. Terima kasih sudah mengikuti seri ini. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan dan kecerdasan buatan? Cerdas inovasi digital membantu implementasi model peramalan, dari sistem fazi sugeno dan Anvis, optimasi parameter dengan PSO dan algoritma genetika, sampai pembanding LSTM dan Arima serta uji daibolt Mariano, serta membuka kursus pemrograman Python untuk teknik. Ingin menguasai seluruh seri ini, dari deret waktu chaos sampai evaluasi statistik? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah, dataset, 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. Terima kasih telah menonton,
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.

Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
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 →