Update model_handler.py

model_handler.py

@@ -1,7 +1,7 @@
 import numpy as np
 import torch
 # Menggunakan ChronosPipeline untuk pemuatan dan inferensi yang efisien
-from chronos import ChronosPipeline
+from chronos import ChronosPipeline 
 
 class ModelHandler:
     def __init__(self):
@@ -13,11 +13,11 @@ class ModelHandler:
         self.load_model()
     
     def load_model(self):
-        """Load Chronos-2 model optimized for CPU/GPU"""
+        """Load Chronos-2 model using the official ChronosPipeline"""
         try:
             print(f"Loading {self.model_name} on {self.device}...")
             
-            # ChronosPipeline menangani semua proses tokenisasi dan pemuatan arsitektur
+            # ChronosPipeline menangani semua proses tokenisasi dan pemuatan arsitektur dengan benar
             self.pipeline = ChronosPipeline.from_pretrained(
                 self.model_name,
                 device_map=self.device,
@@ -25,20 +25,20 @@ class ModelHandler:
             print("Chronos-2 pipeline loaded successfully.")
             
         except Exception as e:
+            # Jika gagal, pipeline akan tetap None, dan fallback akan digunakan
             print(f"Error loading Chronos-2 model: {e}")
             print("Using fallback prediction method")
             self.pipeline = None
     
     def predict(self, data, horizon=10):
-        """Generate predictions using Chronos-2 or fallback"""
+        """Generate predictions using Chronos-2 or fallback. 'data' must be the dict from data_processor.prepare_for_chronos."""
         try:
-            # Menggunakan data['original'] yang merupakan harga aktual riil
-            if data is None or len(data['original']) < 20:
+            # Cek data: memastikan data yang masuk adalah dictionary yang 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)
             
             if self.pipeline is None:
-                # --- Fallback Logic ---
-                # Logic ekstrapolasi tren lama tetap dipertahankan jika model Deep Learning gagal dimuat
+                # --- Fallback Logic (Menggunakan data['original']) ---
                 values = data['original']
                 recent_trend = np.polyfit(range(len(values[-20:])), values[-20:], 1)[0]
                 
@@ -46,27 +46,26 @@ class ModelHandler:
                 last_value = values[-1]
                 
                 for i in range(horizon):
+                    # Add trend with some noise
                     next_value = last_value + recent_trend * (i + 1)
-                    noise = np.random.normal(0, data['std'] * 0.1)
+                    # Use .get('std', 1.0) for safety
+                    noise = np.random.normal(0, data.get('std', 1.0) * 0.1)
                     predictions.append(next_value + noise)
                 
                 return np.array(predictions)
             
             # --- Chronos-2 Inference ---
-            # Input: numpy array dari harga Close historis yang riil
             predictions_samples = self.pipeline.predict(
                 data['original'],
                 prediction_length=horizon,
-                # Mengambil 20 sampel prediksi untuk mendapatkan prediksi probablistik
                 num_samples=20 
             )
             
-            # Untuk chart (garis tunggal), ambil nilai rata-rata (mean) dari semua sampel.
+            # Mengambil nilai rata-rata (mean) dari semua sampel untuk plot garis tunggal
             mean_predictions = np.mean(predictions_samples, axis=0)
             
             return mean_predictions
             
         except Exception as e:
             print(f"Prediction error: {e}")
-            # Mengembalikan array nol jika ada error saat inferensi Chronos
             return np.array([0] * horizon)