Update model_handler.py

model_handler.py

@@ -1,22 +1,21 @@
 import numpy as np
 import torch
-# PENTING: Mengganti ChronosPipeline dengan BaseChronosPipeline sesuai referensi terbaru
+# PENTING: Class ini adalah satu-satunya cara yang benar untuk memuat Chronos-2
 from chronos import BaseChronosPipeline 
 
 class ModelHandler:
     def __init__(self):
         self.model_name = "amazon/chronos-2" 
         self.pipeline = None
-        # Penentuan device
         self.device = "cuda" if torch.cuda.is_available() else "cpu"
         self.load_model()
     
     def load_model(self):
-        """Load Chronos-2 model using the BaseChronosPipeline"""
+        """Load Chronos-2 model using the official BaseChronosPipeline"""
         try:
             print(f"Loading {self.model_name} on {self.device}...")
             
-            # Perhatikan: Menggunakan BaseChronosPipeline.from_pretrained
+            # Pemuatan otomatis oleh pipeline (sudah terbukti berhasil di langkah sebelumnya)
             self.pipeline = BaseChronosPipeline.from_pretrained(
                 self.model_name,
                 device_map=self.device,
@@ -31,7 +30,6 @@ class ModelHandler:
     def predict(self, data, horizon=10):
         """Generate predictions using Chronos-2 or fallback."""
         try:
-            # Memastikan data valid
             if data is None or not isinstance(data, dict) or 'original' not in data or len(data['original']) < 20:
                 return np.array([0] * horizon)
             
@@ -51,11 +49,11 @@ class ModelHandler:
                 return np.array(predictions)
             
             # --- Chronos-2 Inference ---
-            # NOTE: BaseChronosPipeline.predict mengembalikan array of arrays (sampel)
             predictions_samples = self.pipeline.predict(
                 data['original'],
                 prediction_length=horizon,
-                num_samples=20 
+                # KOREKSI: Mengganti 'num_samples' menjadi 'n_samples'
+                n_samples=20 
             )
             
             # Mengambil nilai rata-rata (mean) dari semua sampel