S1 TEKNIK ELEKTRO UNIB • KURIKULUM OBE 2026

Analisis Deret Waktu &
Rekayasa Peramalan Beban

Portal pembelajaran interaktif dan laboratorium komputasi cerdas. Menghubungkan teori stokastik klasik, pemodelan State-Space (Kalman Filter), hingga arsitektur Deep Learning mutakhir (LSTM & Transformer) untuk operasi andal smart grid dan integrasi energi terbarukan.

Unduh RPS Lengkap (PDF) Panduan Praktikum (PDF) Buka Virtual Lab Studio
14Minggu Modul & Lab
3 SKSBobot OBE Terpadu
14Slide Beamer PDF
14Problem Sets C1–C6
Informasi Akademik Mata Kuliah
Mata KuliahAnalisis Deret Waktu dan Peramalan
Kode & SKSTEE-412 • 3 SKS (2 Teori, 1 Praktikum)
Dosen PengampuIr. Novalio Daratha, S.T., M.Sc., Ph.D.
LaboratoriumKomputasi Cerdas & Sistem Tenaga
Program StudiS1 Teknik Elektro, FT UNIB
Stack KomputasiPython • Julia • PyTorch • LightGBM
Lihat Matriks Silabus & CPMK Lengkap →
INTERACTIVE COMPUTATION ENGINE

Virtual Time Series & Forecasting Studio

Uji langsung algoritma estimasi deret waktu pada data kelistrikan: filter derau sensor dengan Kalman Filter, bandingkan peramalan Holt-Winters, SARIMA, dan Deep LSTM.

VIRTUAL TIME SERIES & FORECASTING LAB

Simulasi Real-Time & Estimator Peramalan Beban

Eksplorasi pembentukan beban sistem tenaga, pemfilteran derau sensor (Kalman Filter), dan peramalan multi-cakrawala (Holt-Winters & SARIMA).

1. Sumber Data Sistem Tenaga
12 MW
2. Model Algoritma Peramalan
24 Jam
0.05
2.5
METRIK EVALUASI AKURASI
RMSE0.00
MAE0.00
MAPE0.0%
R² SCORE0.000
Target Asli (Ground Truth) Sinyal Sensor Berderau Estimasi & Peramalan Model
Estimator Real-Time Online
14 WEEKS CURRICULUM MATRIX

Struktur Modul & Bahan Pembelajaran

Akses menyeluruh terhadap 14 minggu materi perkuliahan, slide presentasi Beamer, lembar soal terstruktur level C1–C6 Bloom, serta lembar kerja praktikum (LKM).

Minggu 1Foundation

Pengantar Deret Waktu & Dekomposisi Klasik

Taksonomi Komponen Tren, Musiman, Siklis, dan Residu pada Data Beban Listrik

Sub-CPMK 1: Mampu mengidentifikasi komponen tren, musiman, siklis, dan iregular pada sinyal deret waktu sistem tenaga.
Definisi data sekuensial sistem tenaga dan telemetri sensorStruktur Dekomposisi Aditif: y(t) = T(t) + S(t) + C(t) + I(t)Struktur Dekomposisi Multiplikatif: y(t) = T(t) * S(t) * C(t) * I(t)Ekstraksi Tren dengan Centered Moving Average (CMA)Metrik galat evaluasi: MAE, RMSE, MAPE, MASE
Persamaan Utama:
$$y_t = T_t + S_t + C_t + I_t \quad \text{atau} \quad y_t = T_t \times S_t \times C_t \times I_t$$
Slide (ch1.pdf) Soal C1–C6 WorksheetDetail & Code →
Minggu 2Foundation

Stasioneritas & Analisis Korelogram

Stasioneritas Kuat vs Lemah, Uji Akar Unit (ADF/KPSS), dan Fungsi ACF/PACF

Sub-CPMK 2: Mampu menguji stasioneritas data beban/daya dan menganalisis korelogram ACF/PACF.
Kovarians Stasioner (Mean konstan, Variansi konstan, Autokovarians fungsi dari lag k)White Noise & Random Walk Process (y_t = y_{t-1} + e_t)Uji Augmented Dickey-Fuller (ADF) vs Uji KPSSTransformasi Diferensiasi Pertama & Box-CoxFungsi Autokorelasi (ACF) dan Autokorelasi Parsial (PACF)
Persamaan Utama:
$$\Delta y_t = \alpha y_{t-1} + \sum_{i=1}^p \beta_i \Delta y_{t-i} + \epsilon_t, \quad \rho_k = \frac{\gamma_k}{\gamma_0}$$
Slide (ch2.pdf) Soal C1–C6Detail & Code →
Minggu 3Classical Models

Pemulusan Eksponensial & Holt-Winters

Single, Double (Holt), dan Triple Exponential Smoothing (Holt-Winters Aditif/Multiplikatif)

Sub-CPMK 3: Mampu menerapkan metode pemulusan eksponensial untuk peramalan beban jangka pendek.
Single Exponential Smoothing (SES): Rekursi pembobotan meluruh geometrisHolt's Linear Trend & Damped Trend: Estimasi level L_t dan growth rate b_tHolt-Winters Seasonal (Aditif & Multiplikatif)Double Seasonal Holt-Winters (DSHW) untuk Beban Sistem TenagaMetrik Evaluasi Peramalan PLTS/Sistem Tenaga (RMSE, MAPE, WAPE)
Persamaan Utama:
$$\hat{y}_{t+h|t} = (\ell_t + h b_t) s_{t+h-m(k+1)}, \quad \ell_t = \alpha \frac{y_t}{s_{t-m}} + (1-\alpha)(\ell_{t-1} + b_{t-1})$$
Slide (ch3.pdf) Soal C1–C6Detail & Code →
Minggu 4Classical Models

Pemodelan AR, MA, ARMA & Kestabilan Z

Proses Autoregresif, Moving Average, Polinomial Karakteristik, dan Kriteria Informasi AIC/BIC

Sub-CPMK 4: Mampu memformulasikan model AR, MA, ARMA dan menguji kestabilan sistem pada bidang Z.
Proses Autoregressive AR(p) dan Persamaan Yule-WalkerProses Moving Average MA(q) dan Teorema Representasi WoldModel Gabungan ARMA(p, q) dan Polinomial KarakteristikSyarat Kausalitas dan Invertibilitas pada Bidang Kompleks ZEstimasi Parameter: Conditional Least Squares vs Maximum Likelihood (MLE)Seleksi Model Berbasis Informasi: AIC, AICc, dan BIC
Persamaan Utama:
$$\Phi(B) y_t = \Theta(B) \epsilon_t \quad \Longleftrightarrow \quad \left(1 - \sum_{i=1}^p \phi_i B^i\right) y_t = \left(1 + \sum_{j=1}^q \theta_j B^j\right) \epsilon_t$$
Slide (ch4.pdf) Soal C1–C6Detail & Code →
Minggu 5Classical Models

ARIMA Musiman (SARIMA) Metodologi Box-Jenkins

Siklus 4-Tahap Box-Jenkins: Identifikasi, Estimasi MLE, Diagnostik Ljung-Box, dan Peramalan

Sub-CPMK 5: Mampu merancang model SARIMA(p,d,q)(P,D,Q)_s untuk peramalan beban musiman PLN.
Perluasan ARIMA ke Musiman: Struktur SARIMA(p,d,q)(P,D,Q)_sDiferensiasi Musiman: (1 - B^s)^D y_tSiklus 4 Langkah Box-Jenkins: Identifikasi -> Estimasi -> Diagnostik -> ForecastingDiagnostik Residu: Ljung-Box Q-Test, Uji Normalitas Jarque-BeraPerhitungan Interval Kepercayaan Peramalan (95% Confidence Bounds)
Persamaan Utama:
$$\Phi_P(B^s)\phi_p(B)(1-B)^d(1-B^s)^D y_t = \Theta_Q(B^s)\theta_q(B)\epsilon_t$$
Slide (ch5.pdf) Soal C1–C6Detail & Code →
Minggu 6Classical Models

Model Regresi Dinamik Eksogen: SARIMAX & VAR

Fungsi Korelasi Silang (CCF), Model Transfer Function, dan Vector AutoRegression (VAR)

Sub-CPMK 6: Mampu mengintegrasikan variabel eksogen cuaca pada SARIMAX dan memodelkan sistem multivariat VAR.
Urgensi Variabel Eksogen di Sistem Tenaga (Sensitivitas beban terhadap pendingin udara)Fungsi Korelasi Silang (Cross-Correlation Function - CCF) dan Pre-whiteningFormulasi Matematika Model SARIMAX dengan Matriks Eksogen X_tModel Transfer Function dan Distributed LagPengantar Vector AutoRegression (VAR) untuk Sistem Multivariat Multi-Bus
Persamaan Utama:
$$y_t = \mathbf{X}_t \boldsymbol{\beta} + \eta_t, \quad \Phi_P(B^s)\phi_p(B)(1-B)^d(1-B^s)^D \eta_t = \Theta_Q(B^s)\theta_q(B)\epsilon_t$$
Slide (ch6.pdf) Soal C1–C6Detail & Code →
Minggu 7Classical Models

Discrete Kalman Filter & Representasi State-Space

Model Ruang Keadaan Stokastik Diskrit, Estimasi State-of-Charge Baterai, dan Denoising Sensor

Sub-CPMK 7: Mampu memformulasikan model sistem dinamis ke State-Space dan menurunkan algoritma Discrete Kalman Filter.
Representasi Ruang Keadaan Diskrit: Persamaan State & Persamaan PengukuranKarakteristik Derau Proses (Q) vs Derau Pengukuran (R)Tahap Prediksi (Time Update): Proyeksi status a priori & kovarians P^-Tahap Koreksi (Measurement Update): Kalman Gain, pembaharuan status a posteriori & kovarians PPerilaku Asimtotik Kalman Gain (R -> 0 vs R -> inf)Studi Kasus: Estimasi State-of-Charge (SoC) Baterai Lithium-ion
Persamaan Utama:
$$\mathbf{K}_k = \mathbf{P}_k^- \mathbf{H}^T (\mathbf{H} \mathbf{P}_k^- \mathbf{H}^T + \mathbf{R})^{-1}, \quad \hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + \mathbf{K}_k(\mathbf{z}_k - \mathbf{H}\hat{\mathbf{x}}_k^-)$$
Slide (ch7.pdf) Soal C1–C6Detail & Code →
Minggu 9Spectral Analysis

Analisis Spektral & Dekomposisi Wavelet

Domain Frekuensi, FFT, Power Spectral Density (PSD), STFT, dan Discrete Wavelet Transform (DWT)

Sub-CPMK 8: Mampu menganalisis sinyal pada domain frekuensi (FFT/PSD) dan waktu-frekuensi (DWT) untuk deteksi transien.
Transformasi Fourier Diskrit (DFT) dan Algoritma Fast Fourier Transform (FFT)Perhitungan Total Harmonic Distortion (THD) Sinyal Tegangan dan ArusPower Spectral Density (PSD) Metode Periodogram WelchKelemahan FFT pada Sinyal Non-Stasioner & Prinsip STFTDiscrete Wavelet Transform (DWT): Multi-Resolution Analysis (MRA)Denoising Sinyal dengan Universal Soft-Thresholding Donoho
Persamaan Utama:
$$X[k] = \sum_{n=0}^{N-1} x[n] e^{-j \frac{2\pi}{N} k n}, \quad \lambda = \sigma \sqrt{2 \ln(N)}$$
Slide (ch9.pdf) Soal C1–C6Detail & Code →
Minggu 10Machine Learning

Feature Engineering & Machine Learning untuk STLF

Sliding Window Supervised Learning, Fitur Siklis Kalender, XGBoost/LightGBM, dan Time Series CV

Sub-CPMK 9: Mampu merumuskan problem deret waktu ke Supervised Learning, rekayasa fitur, dan pelatihan Gradient Boosting.
Formulasi Supervised Learning Deret Waktu via Sliding WindowTaksonomi Fitur: Fitur Lag (t-1, t-24, t-168), Fitur Rolling StatisticsEncoding Fitur Kalender Siklis menggunakan Transformasi Trigonometri (Sin/Cos)Algoritma Gradient Boosted Trees: XGBoost dan LightGBMBahaya Lookahead Data Leakage dan Solusi TimeSeriesSplit Cross-ValidationAnalisis Feature Importance (Gain & Shapley Values)
Persamaan Utama:
$$x_{\sin} = \sin\left(\frac{2\pi \cdot \text{jam}}{24}\right), \quad x_{\cos} = \cos\left(\frac{2\pi \cdot \text{jam}}{24}\right), \quad \mathcal{L}^{(t)} = \sum_{i=1}^n l(y_i, \hat{y}_i^{(t-1)} + f_t(x_i)) + \Omega(f_t)$$
Slide (ch10.pdf) Soal C1–C6Detail & Code →
Minggu 11Deep Learning

Deep Learning Sekuensial: RNN, LSTM, & GRU

Arsitektur Gerbang Memori, Masalah Vanishing Gradient, dan Peramalan Daya EBT Surya/Angin

Sub-CPMK 10: Mampu menyusun tensor sekuensial 3D, memahami mekanisme gerbang LSTM/GRU, dan melatih model deep learning.
Struktur Recurrent Neural Network (RNN) Standar dan Hidden StateMasalah Vanishing & Exploding Gradient pada BPTT Jangka PanjangArsitektur Long Short-Term Memory (LSTM): Mekanisme Constant Error CarouselFungsi 3 Gerbang LSTM: Forget Gate, Input Gate, dan Output GateArsitektur Gated Recurrent Unit (GRU): Reset Gate dan Update GatePenyusunan Tensor 3D (Batch_Size, Seq_Len, Features) pada PyTorch
Persamaan Utama:
$$f_t = \sigma(W_f [h_{t-1}, x_t] + b_f), \quad C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t, \quad h_t = o_t \odot \tanh(C_t)$$
Slide (ch11.pdf) Soal C1–C6Detail & Code →
Minggu 12Deep Learning

Arsitektur Sekuensial Lanjut: CNN-1D, Seq2Seq, & Attention

Temporal Convolutional Networks, Encoder-Decoder, dan Pengenalan Transformer Deret Waktu

Sub-CPMK 11: Mampu merancang 1D-CNN temporal, arsitektur Seq2Seq, dan memahami mekanisme Self-Attention Transformer.
1D Convolutional Neural Network untuk Ekstraksi Bentuk Gelombang LokalCausal Convolutions & Dilated Convolutions (Temporal Convolutional Network)Arsitektur Encoder-Decoder (Seq2Seq) untuk Multi-Horizon ForecastingMekanisme Scaled Dot-Product Attention: Query (Q), Key (K), dan Value (V)Pengenalan Arsitektur Transformer untuk Deret Waktu Skala Besar (PatchTST)Studi Kasus: Peramalan Profil Tegangan Multi-Bus Simultan
Persamaan Utama:
$$\text{Attention}(Q, K, V) = \text{softmax}\left( \frac{QK^T}{\sqrt{d_k}} \right) V, \quad R_l = R_{l-1} + (K-1) \times d_l$$
Slide (ch12.pdf) Soal C1–C6Detail & Code →
Minggu 13Deep Learning

Deteksi Anomali Sistem Tenaga & Autoencoder

Taksonomi Anomali Kelistrikan, Isolation Forest, dan Rekonstruksi Galat LSTM Autoencoder

Sub-CPMK 12: Mampu merancang sistem deteksi anomali tanpa pengawasan (Unsupervised) berbasis Autoencoder.
Taksonomi Anomali Data Kelistrikan: Titik Ekstrem, Kontekstual, dan KolektifMetode Statistik Klasik: Uji Z-Score Bergerak dan Algoritma CUSUMAlgoritma Isolation Forest: Partisi Ruang Acak dan Anomaly ScoreDeep Learning: LSTM Autoencoder Berbasis Rekonstruksi GalatPenentuan Ambang Batas Deteksi Dinamis Berbasis Statistik Galat LatihEvaluasi Kinerja pada Dataset Imbalance: Precision, Recall, F1-Score, dan AUROC
Persamaan Utama:
$$\mathcal{L}_{\text{recon}}(t) = \frac{1}{D} \sum_{i=1}^D (x_{t,i} - \hat{x}_{t,i})^2, \quad \tau = \mu_{\text{loss}} + 3 \cdot \sigma_{\text{loss}}$$
Slide (ch13.pdf) Soal C1–C6Detail & Code →
Minggu 14Power Operations

Integrasi Operasi Daya & Kuantisasi Ketidakpastian

Peramalan Probabilistik (Quantile Regression P10-P90), Optimasi BESS Mikrogrid, dan MPC

Sub-CPMK 13: Mampu mengkuantisasi ketidakpastian EBT dan mengintegrasikannya ke penjadwalan baterai BESS mikrogrid.
Dari Point Forecast ke Probabilistic Forecast: Urgensi Kuantisasi RisikoFormulasi Pinball Loss / Quantile Regression untuk Batas Kuantil TauMetrik Evaluasi Pita Ketidakpastian: PICP (Coverage) dan PINAW (Width)Integrasi Peramalan pada Unit Commitment (UC) dan Cadangan Putar (Spinning Reserve)Model Predictive Control (MPC) untuk Penjadwalan BESS pada Smart MicrogridStrategi Peak Shaving dan Arbitrase Tarif Listrik Waktu Penggunaan (ToU)
Persamaan Utama:
$$\mathcal{L}_\tau(y, \hat{y}_\tau) = \max\left( \tau(y - \hat{y}_\tau), (1 - \tau)(\hat{y}_\tau - y) \right), \quad \min \sum_{t=1}^{24} C(t) P_{\text{grid}}(t) \Delta t$$
Slide (ch14.pdf) Soal C1–C6Detail & Code →
OUTCOME-BASED EDUCATION (OBE)

Capaian Pembelajaran & Metode Evaluasi

Standar capaian lulusan berorientasi akreditasi internasional IABEE dengan integrasi praktikum komputasi mandiri.

Capaian Pembelajaran Mata Kuliah (CPMK)

CPMK-1

Mampu menjelaskan konsep fundamental deret waktu, karakteristik stasioneritas, serta mendiagnosis sifat autokorelasi pada data sinyal dan beban kelistrikan.

CPMK-2

Mampu memformulasikan, mengestimasi parameter, serta memvalidasi model peramalan klasik parametrik (ARIMA/SARIMA/SARIMAX) dan State-Space (Discrete Kalman Filter).

CPMK-3

Mampu menganalisis sinyal transien pada domain frekuensi dan multiresolusi waktu-frekuensi (FFT, PSD, Discrete Wavelet Transform).

CPMK-4

Mampu merancang pipeline Machine Learning dan Deep Learning mutakhir (XGBoost, LSTM, GRU, 1D-CNN, Attention Transformer) untuk peramalan beban dan EBT.

CPMK-5

Mampu mendeteksi anomali kegagalan sistem tenaga (Autoencoder) serta mengintegrasikan peramalan probabilistik ke optimasi dispatching baterai mikrogrid.

Komposisi Penilaian Akademik

Praktikum & Laporan Laboratorium25%
Tugas Mandiri & Lembar Kerja (LKM)20%
Ujian Tengah Semester (UTS Proyek)20%
Ujian Akhir Semester (UAS Capstone)20%
Kuis & Homework Problem Sets (C1–C6)15%
Unduh Dokumen Lengkap RPS OBE (PDF)