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, model yang akurasinya 99% di sinyal bersih ternyata jatuh sampai di bawah 50% ketika sinyalnya bernice. Satu trik sederhana saat pelatihan mengembalikan akurasinya ke sekitar 90%. Ayo kita mulai. Halo, selamat datang di episode terakhir seri klasifikasi gangguan kualitas daya dengan WaveLat. Rekaman tegangan di lapangan selalu mengandung noise dari sensor, converter, dan interferensi. Model yang hanya diuji pada sinyal bersih bisa sangat menipu. Hari ini kita menguji ketahanan ketiga model terhadap NICE dan mencari cara membuatnya tangguh.
Langkah 1: Data uji ber-noise & augmentasi
Buat file uji underscore noise dot py. Kita pakai pembagian latih dan uji yang sama dengan episode 5. Data uji dibuat dalam 4 versi, bersih, dan diberi noise gaussian dengan SNR 40, 30, dan 20dB. Makin kecil SNR, makin besar NICE-nya, 20dB berarti daya noise 1 per 100 daya sinyal. Data latih juga dibuat 2 versi, bersih, dan diberi noise acah antara 20-50dB. Inilah augmentasi NICE.
Langkah 2: Model latih bersih yang rapuh
Kita latih ketiga model dengan kedua versi data latih, lalu uji pada keempat versi data uji. Jalankan, perhitungan fitur dan pelatihan butuh beberapa detik. Hasilnya mengejutkan. Model yang dilatih sinyal bersih sangat rapuh. Pada SNR 40dB, akurasi SVM turun ke 71%, dan pada 20dB tinggal 23%. XGBoost juga hanya 51%. Penyebabnya, noise menaikan energi koefisien detail frekuensi tinggi, sehingga sinyal normal terlihat seperti transien atau NOC.
«— tangkah 3: Kekuatan augmentasi noise
Sekarang lihat model yang dilatih dengan augmentasi NICE. Akurasi di SNR 40 dan 30dB sekitar 97-98%, dan di 20dB sekitar 86-88%. XGBoost dengan augmentasi paling seimbang. 99% pada sinyal bersih dan tetap tinggi pada sinyal bernais. Grafik kiri memperlihatkan akurasi model latih bersih yang anjlok, dan grafik kanan model dengan augmentasi yang jauh lebih stabil.
Selesai!
Selesai, dan selesai pula seri ini. Kita sudah membangun penelitian klasifikasi gangguan kualitas daya secara lengkap. Model 9 gangguan, dataset sesuai IEEE-159, di straightaway flat transform, ekstraksi 32 fitur, klasifikasi SVM, random forest, dan XGBoost, sampai uji ketahanan noise dengan augmentasi. Untuk penelitian lanjutan, coba denoising wave-flat sebelum ekstraksi fitur, data rekaman nyata, gangguan ganda yang lebih banyak, atau CNN satu dimensi langsung dari sinyal. Terima kasih sudah mengikuti seri ini. Sedang menyusun skripsi, tesis, atau riset di bidang kualitas daya listrik dan pengolahan sinyal? Cerdas inovasi digital membantu implementasi machine learning, dari pembangkitan sinyal gangguan sesuai IEEE-159, transformasi wave-flat, ekstraksi fitur, sampai klasifikasi dengan SVM, random forest, dan XGBoost, serta membuka kursus pemrograman Python untuk teknik elektro. Ingin menguasai seluruh seri ini, dari sinyal sintetis sampai uji ketahanan noise? Semua 6 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
53 kelas video1.290 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.
