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, LSTM hasil algoritma genetika meramal beban 24 jam ke depan sepanjang tahun 2019 dengan galak sekitar 2,8 persen, jauh lebih baik dari semua base lain. Kita juga menemukan hari yang paling sulit diramal, dan jawabannya mungkin tidak terduga. Ayo kita mulai. Halo, selamat datang di episode terakhir seri peramalan beban listrik dengan LSTM. Data uji 2019 belum pernah disentuh selama pelatihan maupun pencarian hyperparameter, sehingga hasilnya mencerminkan kinerja sebenarnya. Hari ini kita mengevaluasi semua model secara adil dan menganalisis di mana model masih salah.
Langkah 1: Ensemble tiga seed
Buat file evaluasi.py Satu kali pelatihan bisa sedikit beruntung atau sial karena inisialisasi acak, jadi setiap konfigurasi dilatih 3 kali dengan SID berbeda, lalu ramalannya dirata-ratakan. Teknik ini disebut ansambel, dan biasanya juga menurunkan galat. Kita bandingkan konfigurasi awal dari episode 4 dengan konfigurasi hasil algoritma genetika, ditambah 3 baseline dari episode 3.
Langkah 2: Tabel MAPE/RMSE & hari tersulit
Cetak tabelnya, lalu cari hari tersulit dan termudah. Jalankan, 6 pelatihan butuh sekitar 1,5 menit. Hasilnya, naif sekitar 4,4%, sarima 5,6%, reach 3,3%, dan kedua LSTM di kisaran 2,8%. Algoritma genetika menemukan konfigurasi yang setara atau sedikit lebih baik dari pilihan manual kita secara otomatis, dan dibanding reach galat LSTM turun sekitar 1,5. Hari tersulit biasanya hari libur nasional, misalnya weapon steel stun 11 November atau Senin Paskah, dengan galat belasan persen, karena hari libur jarang muncul di data latih. Mari lihat grafiknya.
Langkah 3: Visualisasi ramalan & galat
Kiri atas, ramalan LSTMGA dan reach selama 1 minggu Mei. Keduanya mengikuti pola, tetapi LSTM lebih tepat di puncak. Kanan atas, perbandingan map semua metode. Kiri bawah, galat per jam ramalan, terendah di jam-jam awal dan tertinggi di siang hari. Kanan bawah, galat per bulan, tertinggi di April dan Mei yang penuh hari libur.
Selesai!
Selesai, dan selesai pula seri ini. Kita sudah membangun penelitian peramalan beban listrik secara lengkap, eksplorasi data, rekayasa fitur dan windowing, baseline naif, reach, dan sarima, LSTM dengan PyTorps, optimasi hyperparameter dengan algoritma genetika, sampai evaluasi ansambel. Untuk penelitian lanjutan, tambahkan ramalan cuaca sebagai masukan, perlakuan khusus hari libur, model transformer, atau ramalan probabilistik. Terima kasih sudah mengikuti seri ini. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan beban listrik dan deret waktu? Cerdas inovasi digital membantu implementasi deep learning, dari eksplorasi data beban, rekayasa fitur, arima dan regresi, LSTM dengan PyTorps, sampai optimasi hyperparameter dengan algoritma genetika, serta membuka kursus deep learning dengan PyTorps. Ingin menguasai seluruh seri ini, dari data beban per jam sampai evaluasi ramalan? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah 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
52 kelas video1.277 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.
