CARA MUDAH BELAJAR ELEKTRONIKA DIGITAL

Semua Tentang Belajar Teknologi Digital Dalam Kehidupan Sehari - Hari

Jumat, 21 Maret 2025

Home » , » Mengulik Statistik Pelabuhan - Kenapa Menggunakan LSTM daripada ARIMA

Mengulik Statistik Pelabuhan - Kenapa Menggunakan LSTM daripada ARIMA

Tidak ada komentar

 


Wah ..grafik diatas sudah seperti hasil buku laporan Tugas Akhir mahasiswa saja ? Jadi jika pembaca mau menggunakan hasil karya saya tolong tulisan ini di quote atau sitasi ya ! Kini saya maju 10 langkah (guayane) menuju ke Long Short Term Memory ( opo artine yohh yohh?). Daripada mumet karena istilah yang semakin offside dari tukang solder, maka kita langsung aja menjelakan layaknya orang pinter, kenapa memilih LSTM ?


Memilih LSTM (Memori Jangka Pendek Panjang) daripada ARIMA untuk prediksi jangka panjang bergantung pada sifat data, kompleksitas hubungan yang ingin Anda modelkan, dan persyaratan khusus tugas peramalan Anda. Di bawah ini, saya akan menjelaskan mengapa LSTM sering kali lebih disukai untuk prediksi jangka panjang dalam skenario tertentu, terutama saat menangani data deret waktu yang kompleks atau multivariat.


1. Menangani Ketergantungan Jangka Panjang

ARIMA:

  • ARIMA dirancang untuk memodelkan ketergantungan dan tren jangka pendek dalam deret waktu univariat.
  • Ia sangat bergantung pada pengamatan terkini dan mungkin kesulitan untuk menangkap pola atau ketergantungan jangka panjang yang mencakup bulan atau tahun.
  • Langkah pembedaan (d) dalam ARIMA membuatnya stasioner, yang dapat menghilangkan tren jangka panjang yang penting.


LSTM:

LSTM secara khusus dirancang untuk menangani ketergantungan jangka panjang dalam data sekuensial. Mereka menggunakan mekanisme gating (forget gate, input gate, output gate) untuk secara selektif menyimpan atau membuang informasi dalam urutan yang panjang, sehingga sangat cocok untuk menangkap pola temporal yang kompleks.


2. Input Multivariat

ARIMA:

  • ARIMA pada dasarnya bersifat univariat, artinya ia bekerja dengan satu rangkaian waktu (misalnya, jumlah lalu lintas dari waktu ke waktu).
  • Sementara ekstensi seperti SARIMAX memungkinkan variabel eksogen, ARIMA kesulitan untuk memodelkan interaksi kompleks antara beberapa fitur.

LSTM:

LSTM dapat menangani input multivariat, yang memungkinkan Anda untuk menggabungkan fitur tambahan seperti:

  • Kondisi cuaca
  • Liburan atau acara khusus
  • Perubahan infrastruktur jalan
  • Indikator ekonomi

Fleksibilitas ini membuat LSTM lebih kuat untuk skenario dunia nyata di mana beberapa faktor memengaruhi variabel target.


3. Non-Linearitas

ARIMA:

ARIMA mengasumsikan hubungan linear antara nilai masa lalu dan masa depan. Jika data yang mendasarinya menunjukkan pola non-linier (misalnya, lonjakan lalu lintas yang tiba-tiba karena suatu peristiwa), ARIMA mungkin gagal menangkap dinamika ini.

LSTM:

  • LSTM mampu memodelkan hubungan non-linier dalam data.
  • Arsitektur jaringan sarafnya memungkinkan mereka mempelajari pemetaan non-linier yang kompleks antara masukan dan keluaran.


4. Kemampuan Beradaptasi terhadap Pola yang Berubah

ARIMA:

  • ARIMA mengasumsikan bahwa sifat statistik data (misalnya, rata-rata, varians) tetap konstan dari waktu ke waktu (stasioneritas).
  • Jika data menunjukkan perubahan struktural (misalnya, karena pembangunan perkotaan, perubahan kebijakan, atau guncangan eksternal), ARIMA mungkin kesulitan untuk beradaptasi.

LSTM:

  • LSTM dapat beradaptasi dengan pola yang berubah dalam data dengan belajar dari contoh-contoh historis.
  • LSTM sangat berguna ketika data menunjukkan pergeseran rezim atau tren yang berkembang.


5. Skalabilitas

ARIMA:

ARIMA efisien secara komputasi dan bekerja dengan baik untuk kumpulan data berukuran kecil hingga menengah. Namun, model ini tidak dapat diskalakan dengan baik ke kumpulan data besar dengan data frekuensi tinggi (misalnya, hitungan lalu lintas tingkat menit).

LSTM:

  • LSTM dapat menangani kumpulan data besar dan data frekuensi tinggi, sehingga cocok untuk aplikasi seperti pemantauan lalu lintas waktu nyata.
  • Dengan kemajuan perangkat keras (GPU/TPU) dan pustaka seperti TensorFlow/PyTorch, pelatihan LSTM pada kumpulan data besar menjadi layak.


6. Fleksibilitas dalam Peramalan Horizon

ARIMA:

  • ARIMA biasanya lebih cocok untuk prakiraan jangka pendek hingga menengah.
  • Untuk prediksi jangka panjang, ketergantungan ARIMA pada pengamatan terkini dapat menyebabkan efek "garis datar", di mana model memprediksi nilai konstan dari waktu ke waktu.

LSTM:

  • LSTM dapat dilatih untuk memprediksi beberapa langkah ke depan menggunakan teknik seperti:
  • Peramalan Rekursif: Memprediksi satu langkah pada satu waktu dan memasukkan prediksi kembali ke dalam model.
  • Peramalan Langsung: Melatih model untuk memprediksi semua langkah mendatang secara bersamaan. Fleksibilitas ini memungkinkan LSTM menangani prakiraan jangka panjang dengan lebih efektif.


7. Menggabungkan Informasi Kontekstual

ARIMA:

  • ARIMA hanya berfokus pada deret waktu itu sendiri dan tidak memperhitungkan informasi kontekstual eksternal kecuali secara eksplisit disertakan sebagai variabel eksogen.
  • Bahkan dengan variabel eksogen, ARIMA mungkin tidak sepenuhnya menangkap dampaknya jika hubungannya bersifat non-linier atau kompleks.

LSTM:

LSTM secara alami dapat menggabungkan informasi kontekstual, seperti:

  • Waktu dalam sehari
  • Hari dalam seminggu
  • Efek musiman
  • Regresor eksternal (misalnya, cuaca, hari libur)
  • Kemampuan untuk mengintegrasikan berbagai masukan ini meningkatkan akurasi prediksi jangka panjang.


8. Prediksi Waktu Nyata

ARIMA:

ARIMA tidak cocok untuk prediksi waktu nyata karena memerlukan pelatihan ulang atau kalibrasi ulang saat data baru tiba.

LSTM:

Setelah dilatih, model LSTM dapat membuat prediksi waktu nyata dengan memproses data yang masuk secara berurutan. Ini sangat berguna untuk aplikasi seperti optimalisasi sinyal lalu lintas atau navigasi kendaraan otonom.


9. Visualisasi Pola Kompleks

ARIMA:

ARIMA memberikan hasil yang dapat diinterpretasikan tetapi terbatas pada pola sederhana seperti tren dan musim.

LSTM:

  • Meskipun LSTM kurang dapat diinterpretasikan daripada ARIMA, LSTM dapat mengungkap pola tersembunyi dalam data yang tidak langsung terlihat.
  • Alat visualisasi (misalnya, nilai SHAP, mekanisme perhatian) dapat membantu menginterpretasikan prediksi LSTM.


Kapan Memilih LSTM daripada ARIMA

Anda harus memilih LSTM daripada ARIMA untuk prediksi jangka panjang ketika:

  • Data bersifat multivariat: Anda memiliki fitur tambahan (misalnya, cuaca, peristiwa) yang memengaruhi variabel target.
  • Data menunjukkan pola non-linier: Hubungan antara masukan dan keluaran bersifat kompleks dan tidak dapat ditangkap oleh model linier.
  • Cakrawala prakiraan panjang: Anda memerlukan prediksi untuk beberapa minggu, bulan, atau tahun mendatang.
  • Data bersifat non-stasioner atau berkembang seiring waktu: Pola yang mendasarinya berubah karena faktor eksternal.
  • Anda memiliki akses ke kumpulan data besar: Model LSTM memerlukan data yang cukup untuk pelatihan yang efektif.


Kapan Harus Menggunakan ARIMA?


Terlepas dari keterbatasannya, ARIMA tetap menjadi pilihan yang baik untuk:

  • Prakiraan jangka pendek hingga menengah: Ketika cakrawala terbatas (misalnya, jam hingga minggu).
  • Data univariat: Ketika Anda hanya memiliki satu deret waktu untuk digunakan.
  • Interpretabilitas: Ketika Anda memerlukan wawasan yang jelas tentang perilaku model.
  • Efisiensi komputasi: Ketika bekerja dengan kumpulan data kecil atau sumber daya terbatas.


Kesimpulan

Singkatnya, LSTM secara umum lebih cocok untuk prediksi jangka panjang ketika datanya kompleks, multivariat, atau non-linier. Ia menawarkan fleksibilitas dan skalabilitas yang lebih besar dibandingkan dengan ARIMA, terutama untuk aplikasi dunia nyata seperti prakiraan lalu lintas. Namun, ARIMA tetap menjadi alat yang berharga untuk skenario yang lebih sederhana atau ketika interpretabilitas menjadi prioritas.

Jika Anda tidak yakin model mana yang akan digunakan, Anda dapat bereksperimen dengan keduanya dan membandingkan kinerjanya menggunakan metrik seperti RMSE, MAE, atau MAPE. Beri tahu saya jika Anda memerlukan bantuan dalam mengimplementasikan salah satu model tersebut pada kumpulan data Anda!


Wahhh ribet bukan ? apalagi kalau melihat hasil proses training modelnya ...Ngeriiii:


Epoch 1/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 4s 38ms/step - loss: 0.1231
Epoch 2/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0932
Epoch 3/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0877
Epoch 4/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0459
Epoch 5/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0452
Epoch 6/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0419
Epoch 7/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step - loss: 0.0406
Epoch 8/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0413
Epoch 9/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0422
Epoch 10/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0360
Epoch 11/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0387
Epoch 12/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0406
Epoch 13/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step - loss: 0.0369
Epoch 14/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0375
Epoch 15/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0392
Epoch 16/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step - loss: 0.0432
Epoch 17/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0423
Epoch 18/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step - loss: 0.0432
Epoch 19/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0372
Epoch 20/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0404
Epoch 21/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 39ms/step - loss: 0.0368
Epoch 22/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0370
Epoch 23/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step - loss: 0.0360
Epoch 24/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0377
Epoch 25/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0373
Epoch 26/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0357
Epoch 27/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0361
Epoch 28/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0341
Epoch 29/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0385
Epoch 30/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0355
Epoch 31/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0391
Epoch 32/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step - loss: 0.0398
Epoch 33/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 51ms/step - loss: 0.0383
Epoch 34/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step - loss: 0.0357
Epoch 35/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 53ms/step - loss: 0.0392
Epoch 36/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0360
Epoch 37/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step - loss: 0.0382
Epoch 38/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0357
Epoch 39/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0409
Epoch 40/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0390
Epoch 41/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step - loss: 0.0386
Epoch 42/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 58ms/step - loss: 0.0394
Epoch 43/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0420
Epoch 44/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0402
Epoch 45/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0340
Epoch 46/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0368
Epoch 47/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0411
Epoch 48/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0341
Epoch 49/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0369
Epoch 50/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0439
Epoch 51/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0359
Epoch 52/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0375
Epoch 53/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0374
Epoch 54/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0379
Epoch 55/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0376
Epoch 56/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0356
Epoch 57/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0377
Epoch 58/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0379
Epoch 59/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0367
Epoch 60/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0358
Epoch 61/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0372
Epoch 62/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0384
Epoch 63/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0362
Epoch 64/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0349
Epoch 65/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0420
Epoch 66/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0356
Epoch 67/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0393
Epoch 68/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0427
Epoch 69/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0386
Epoch 70/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0375
Epoch 71/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0365
Epoch 72/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0352
Epoch 73/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0387
Epoch 74/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0365
Epoch 75/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0363
Epoch 76/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0355
Epoch 77/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0358
Epoch 78/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0347
Epoch 79/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0363
Epoch 80/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0370
Epoch 81/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0359
Epoch 82/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0399
Epoch 83/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0348
Epoch 84/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0328
Epoch 85/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0377
Epoch 86/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0364
Epoch 87/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0353
Epoch 88/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0364
Epoch 89/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step - loss: 0.0406
Epoch 90/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0318
Epoch 91/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 54ms/step - loss: 0.0393
Epoch 92/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0417
Epoch 93/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 53ms/step - loss: 0.0385
Epoch 94/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step - loss: 0.0373
Epoch 95/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 59ms/step - loss: 0.0341
Epoch 96/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 63ms/step - loss: 0.0360
Epoch 97/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 60ms/step - loss: 0.0375
Epoch 98/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 62ms/step - loss: 0.0354
Epoch 99/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step - loss: 0.0372
Epoch 100/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 39ms/step - loss: 0.0370
Epoch 1/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 4s 31ms/step - loss: 0.0773
Epoch 2/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0583
Epoch 3/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0465
Epoch 4/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0398
Epoch 5/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0248
Epoch 6/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0192
Epoch 7/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0179
Epoch 8/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0206
Epoch 9/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step - loss: 0.0195
Epoch 10/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0201
Epoch 11/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0181
Epoch 12/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 41ms/step - loss: 0.0171
Epoch 13/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0190
Epoch 14/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0177
Epoch 15/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0158
Epoch 16/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0162
Epoch 17/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0181
Epoch 18/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0200
Epoch 19/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0186
Epoch 20/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0165
Epoch 21/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step - loss: 0.0170
Epoch 22/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0190
Epoch 23/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0191
Epoch 24/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0179
Epoch 25/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0187
Epoch 26/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0182
Epoch 27/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step - loss: 0.0164
Epoch 28/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0181
Epoch 29/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0185
Epoch 30/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0203
Epoch 31/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 58ms/step - loss: 0.0153
Epoch 32/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0159
Epoch 33/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0159
Epoch 34/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0175
Epoch 35/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0184
Epoch 36/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step - loss: 0.0149
Epoch 37/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 61ms/step - loss: 0.0164
Epoch 38/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 55ms/step - loss: 0.0181
Epoch 39/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 62ms/step - loss: 0.0181
Epoch 40/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 65ms/step - loss: 0.0159
Epoch 41/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step - loss: 0.0177
Epoch 42/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 39ms/step - loss: 0.0158
Epoch 43/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0150
Epoch 44/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0179
Epoch 45/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0156
Epoch 46/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 41ms/step - loss: 0.0179
Epoch 47/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 76ms/step - loss: 0.0171
Epoch 48/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0163
Epoch 49/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 73ms/step - loss: 0.0185
Epoch 50/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0166
Epoch 51/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0164
Epoch 52/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0165
Epoch 53/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step - loss: 0.0189
Epoch 54/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0152
Epoch 55/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0154
Epoch 56/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 39ms/step - loss: 0.0173
Epoch 57/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0164
Epoch 58/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0161
Epoch 59/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0161
Epoch 60/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0161
Epoch 61/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0156
Epoch 62/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0182
Epoch 63/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0160
Epoch 64/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0166
Epoch 65/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0192
Epoch 66/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0172
Epoch 67/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step - loss: 0.0180
Epoch 68/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0143
Epoch 69/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0148
Epoch 70/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0179
Epoch 71/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step - loss: 0.0142
Epoch 72/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0152
Epoch 73/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0171
Epoch 74/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0156
Epoch 75/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0155
Epoch 76/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0150
Epoch 77/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step - loss: 0.0163
Epoch 78/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0168
Epoch 79/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0145
Epoch 80/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step - loss: 0.0155
Epoch 81/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0157
Epoch 82/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0162
Epoch 83/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 54ms/step - loss: 0.0148
Epoch 84/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 55ms/step - loss: 0.0185
Epoch 85/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 57ms/step - loss: 0.0177
Epoch 86/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step - loss: 0.0144
Epoch 87/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step - loss: 0.0159
Epoch 88/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 60ms/step - loss: 0.0169
Epoch 89/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 54ms/step - loss: 0.0176
Epoch 90/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 53ms/step - loss: 0.0164
Epoch 91/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step - loss: 0.0140
Epoch 92/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step - loss: 0.0150
Epoch 93/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0167
Epoch 94/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0198
Epoch 95/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0160
Epoch 96/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step - loss: 0.0158
Epoch 97/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0159
Epoch 98/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0157
Epoch 99/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step - loss: 0.0169
Epoch 100/100
4/4 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0144
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 379ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 46ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 47ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 47ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 46ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 46ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 41ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 41ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 45ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 55ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 47ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 55ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 55ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 48ms/step
Namun hasilnya bisa diakui lebih keren kok ...




Karena kodingnya yang panjang-panjang apalagi harus menerjemahkan data json terlebih dulu dari API BPS, ditambah  dengan data tiap pelabuhan yang memiliki 2 buah data time series kedatangan dan keberangkatan, jadi bagi pembaca yang ingin mengutak-atik lebih dalam saya sarankan menghubungi penulis blog di 08155737755.


-powered by QWEN AI-
Share:

0 komentar:

Posting Komentar

Kontak Penulis



12179018.png (60×60)
+628155737755

Mail : ahocool@gmail.com

Site View

Categories

555 (8) 7 segmen (3) adc (4) amplifier (2) analog (19) android (14) antares (11) arduino (28) artikel (11) attiny (3) attiny2313 (19) audio (5) baterai (5) blog (1) bluetooth (1) chatgpt (2) cmos (2) crypto (2) dasar (46) digital (11) dimmer (5) display (3) esp8266 (26) euro2020 (13) gcc (1) gis (3) gsm (1) iklan (1) infrared (2) Input Output (3) iot (78) jam (7) jualan (12) kereta api (1) keyboard (1) keypad (3) kios pulsa (2) kit (6) komponen (17) komputer (3) komunikasi (1) kontrol (8) lain-lain (8) lcd (2) led (14) led matrix (6) line tracer (1) lm35 (1) lora (11) lorawan (2) MATV (1) memory (1) metal detector (4) microcontroller (70) micropython (6) mikrokontroler (2) mikrokontroller (14) mikrotik (5) modbus (9) mqtt (3) ninmedia (5) ntp (1) paket belajar (19) palang pintu otomatis (1) parabola (88) pcb (2) power (1) praktek (2) project (33) proyek (1) python (9) radio (28) raspberry pi (9) remote (1) revisi (1) rfid (1) robot (1) rpm (2) rs232 (1) script break down (3) sdcard (3) sensor (2) sharing (3) signage (1) sinyal (1) sms (6) software (18) solar (1) solusi (1) statistik (5) tachometer (2) technology (1) teknologi (2) telegram (2) telepon (9) televisi (167) television (28) telkomiot (5) transistor (2) troubleshoot (3) tulisan (94) tutorial (108) tv digital (6) tvri (2) unesa (8) vu meter (2) vumeter (2) wav player (3) wayang (1) wifi (3) yolo (9)

Arsip Blog

Diskusi


kaskus
Forum Hobby Elektronika