Silabus Kursus:
Judul:
“Pengembangan Model Machine Learning Berbasis Deep Neural Network untuk Prediksi Pola Konsumsi Energi Rumah Tangga”
Durasi: 20 sesi @ 1,5 jam
Total Durasi: 30 jam
Sesi 1: Pengantar Machine Learning dalam Konteks Konsumsi Energi
- Konsep dasar machine learning (ML)
- Pentingnya ML dalam bidang energi
- Pengenalan pola konsumsi energi rumah tangga
- Studi kasus penerapan ML dalam prediksi konsumsi energi
Sesi 2: Pendalaman Deep Neural Network (DNN)
- Pengantar konsep Neural Network
- Arsitektur Deep Neural Network (DNN)
- Jenis-jenis DNN (ANN, CNN, RNN, LSTM)
- Pengenalan software (Python, TensorFlow, Keras)
Sesi 2: Instalasi dan Setup Lingkungan Kerja
- Instalasi Python dan Anaconda
- Instalasi dan konfigurasi TensorFlow/Keras
- Persiapan IDE (Jupyter Notebook, Google Colab)
- Contoh sederhana implementasi Neural Network
Sesi 3: Data Acquisition dan Pre-processing
- Sumber data konsumsi energi rumah tangga
- Pengumpulan data: Data publik vs data private
- Cleaning data dan handling missing value
- Visualisasi data eksploratif dasar
Sesi 3: Data Preprocessing Lanjutan
- Normalisasi dan standardisasi data
- Teknik feature engineering dan selection
- Penanganan data hilang dan outlier
- Praktik: preprocessing dataset energi rumah tangga
Sesi 4: Dasar Deep Neural Network (DNN)
- Konsep neuron dan perceptron
- Layer dan activation functions
- Fungsi Loss dan Optimizer
- Praktik: Implementasi DNN sederhana di Keras
Sesi 5: Arsitektur dan Desain Deep Neural Network
- Struktur jaringan syaraf dalam (layer, node, activation)
- Metode optimasi dan fungsi loss
- Strategi pengujian (train-validation-test split)
- Praktik: membuat model dasar DNN
Sesi 5: Pengumpulan Data dan Eksplorasi Data
- Strategi pengumpulan data energi rumah tangga
- Teknik eksplorasi dan visualisasi data (EDA)
- Analisis pola historis konsumsi energi
- Praktik: eksplorasi dataset riil
Sesi 6: Implementasi Model Prediksi Konsumsi Energi Rumah Tangga (Bagian 1)
- Merancang model DNN untuk prediksi konsumsi energi
- Menentukan hyperparameter dasar
- Menginisialisasi model di TensorFlow/Keras
- Praktik: implementasi dasar
Sesi 6: Implementasi dan Pelatihan Model DNN (Lanjutan)
- Metode pelatihan model
- Menggunakan callback (Early Stopping, Checkpoints)
- Evaluasi performa menggunakan metrik (MAE, RMSE)
- Praktik: melatih model DNN menggunakan data energi
Sesi 7: Optimalisasi Hyperparameter Model
- Hyperparameter tuning (Grid Search, Randomized Search)
- Evaluasi performa dengan Cross-validation
- Praktik: tuning hyperparameter pada model prediksi energi
Sesi 7: Evaluasi Model dan Validasi Hasil
- Analisis performa (MAE, RMSE, R²)
- Interpretasi hasil prediksi energi rumah tangga
- Membaca hasil grafik loss dan akurasi
- Praktik: evaluasi model secara praktis
Sesi 8: Advanced Neural Network – Recurrent Neural Networks (RNN)
- Konsep RNN dan LSTM
- Penerapan RNN untuk time series prediction
- Praktik: implementasi RNN/LSTM untuk prediksi konsumsi energi
Sesi 8: Implementasi LSTM untuk Prediksi Konsumsi Energi
- Persiapan data time-series
- Arsitektur model LSTM
- Pelatihan dan evaluasi model LSTM
- Praktik: prediksi pola konsumsi harian rumah tangga
Sesi 9: Optimasi Model dengan Teknik Regularisasi
- Dropout regularization
- Early stopping
- Teknik Regularisasi (L1/L2 Regularization)
- Praktik: optimasi model deep learning
Sesi 9: Advanced Techniques: CNN untuk Pola Konsumsi Energi
- Pengenalan CNN pada data tabular/time-series
- Transformasi data untuk input CNN
- Praktik: implementasi model hybrid CNN-DNN
Sesi 10: Pengembangan Model Hybrid CNN-LSTM
- Kombinasi model CNN dengan LSTM
- Implementasi arsitektur hybrid
- Pelatihan dan evaluasi model hybrid
Sesi 10: Interpretasi dan Visualisasi Hasil Prediksi
- Visualisasi hasil prediksi dengan Matplotlib, Plotly
- Analisis sensitivitas model terhadap variabel input
- Praktik: membuat dashboard interaktif sederhana
Sesi 10: Deployment Model dengan Flask
- Pengenalan Flask untuk deployment
- Membuat REST API sederhana untuk prediksi energi
- Praktik: deployment awal model deep learning
Sesi 11: Deployment Lanjutan dan Hosting
- Menyiapkan lingkungan deployment di Heroku
- Integrasi model dengan frontend sederhana
- Praktik: deployment dan testing aplikasi prediksi konsumsi energi
Sesi 11-12: Studi Kasus dan Proyek Terintegrasi (Bagian 1 & 2)
- Merancang model komprehensif berbasis deep learning
- Menggunakan data nyata dari energi rumah tangga
- Evaluasi akhir model
Sesi 13: Optimasi Model dengan Algoritma Metaheuristik
- Pengantar Particle Swarm Optimization (PSO)
- Implementasi PSO dalam optimalisasi hyperparameter DNN
- Praktik: integrasi PSO dengan model deep learning
Sesi 14: Model Interpretability dengan SHAP
- Penjelasan interpretasi model DNN
- Penggunaan SHAP untuk explainability
- Praktik: analisis model menggunakan SHAP values
Sesi 14: Penanganan Data Real-time untuk Model Prediksi Energi
- Data pipeline real-time (streaming data)
- Integrasi model dengan IoT untuk konsumsi energi
- Praktik: simulasi data streaming sederhana
Sesi 15: Monitoring dan Pemeliharaan Model DNN
- Strategi monitoring performa model setelah deployment
- Pemeliharaan dan retraining model
- Praktik: implementasi monitoring sederhana
Sesi 15-16: Evaluasi Proyek Akhir (Progres & Feedback)
- Presentasi proyek awal oleh peserta
- Diskusi dan evaluasi peningkatan
- Penyesuaian model berdasarkan feedback
Sesi 17: Etika dan Tantangan Implementasi ML pada Energi
- Etika penerapan ML dalam energi rumah tangga
- Privasi data pengguna
- Diskusi studi kasus tantangan nyata implementasi ML
Sesi 18: Dokumentasi dan Pelaporan Proyek ML
- Penulisan dokumentasi proyek
- Menyusun laporan hasil penelitian ML
- Praktik: persiapan dokumen proyek akhir
Sesi 19: Presentasi dan Evaluasi Akhir Proyek
- Presentasi akhir proyek oleh peserta
- Evaluasi akhir oleh instruktur
- Dokumentasi hasil evaluasi dan perbaikan
Sesi 20: Penutup dan Outlook Pengembangan Lebih Lanjut
- Pembahasan peluang riset lanjutan
- Tren masa depan dalam Machine Learning di sektor energi
- Saran pengembangan lanjutan
