Panduan Praktikum 14 Modul Komputasi Cerdas
Panduan eksperimen laboratorium komputasi cerdas terintegrasi Python (`statsmodels`, `pmdarima`, `PyTorch`, `LightGBM`) dan Julia untuk menyelesaikan masalah riil peramalan sistem tenaga, estimasi state-space, dan deteksi anomali smart grid.
Buku Panduan Praktikum Lengkap (18 Halaman Format Standar OBE)
Unduh Buku Praktikum (PDF)Daftar 14 Modul Praktikum Mandiri & Terbimbing
Setiap modul dilengkapi studi kasus nyata data interkoneksi beban listrik PLN, pembangkitan PLTS, dan analisis gangguan transien.
Modul 1: Eksplorasi Visual, Ekstraksi Musiman, dan Dekomposisi Klasik Data Beban Listrik
Memahami struktur fundamental deret waktu elektro, dekomposisi aditif vs multiplikatif, teknik pemulusan Moving Average, dan metrik akurasi evaluasi peramalan (MAE, RMSE, MAPE).
Modul 2: Uji Akar Unit dan Analisis Korelogram ACF/PACF
Konsep stasioneritas lemah (kovarians), fenomena regresi lancung (*spurious regression*), diferensiasi pertama dan musiman, pengujian hipotesis ADF dan KPSS, serta interpretasi plot ACF/PACF.
Modul 3: Peramalan Beban Jangka Pendek Menggunakan Holt-Winters
Penurunan matematis Single ES (SES), model tren linier Holt, model musiman Holt-Winters (HW) tunggal dan ganda (Double Seasonal / DSHW), optimasi parameter smoothing dengan minimasi SSE, dan metrik evaluasi peramalan termasuk WAPE.
Modul 4: Estimasi Parameter ARMA, Plot Kestabilan Polinomial, dan Seleksi Ordo AIC
Representasi operator lag B, syarat kausalitas AR (akar polinomial di luar lingkaran satuan), syarat invertibilitas MA, persamaan Yule-Walker, fungsi autokorelasi teoritis, dan seleksi ordo AIC/BIC.
Modul 5: Pemodelan SARIMA 168-Jam Data Beban Kelistrikan dengan Auto-ARIMA
Integrasi diferensiasi non-musiman (d) dan musiman (D), formulasi lengkap SARIMA(p,d,q)(P,D,Q)_s, estimasi parameter MLE, uji diagnostik residu (Ljung-Box Q-test, plot normalitas), dan interval kepercayaan.
Modul 6: Peramalan Beban dengan Variabel Eksogen Suhu (SARIMAX) dan VAR 2-Bus
Pengaruh variabel eksogen cuaca (temperatur, kelembaban, iradiasi surya) terhadap konsumsi daya listrik, Pre-whitening pada CCF, formulasi SARIMAX, identifikasi keterlambatan distributed lag, serta pengantar model multivariat VAR.
Modul 7: Implementasi Discrete Kalman Filter untuk Denoising Sensor Telemetri Tegangan dan Arus
Representasi state-space linier diskrit, matriks derau proses Q dan pengukuran R, algoritma 2-tahap (Time Update vs Measurement Update), penentuan bobot optimal Kalman Gain K_k, konvergensi kovarians error P_k, dan estimasi SoC baterai BESS.
Modul 8: Analisis Harmonisa FFT Sinyal Inverter dan Denoising Wavelet DWT pada Gangguan Kualitas Daya
Keterbatasan domain waktu murni, Transformasi Fourier Diskrit (DFT/FFT), estimasi spektrum daya Welch PSD, Short-Time Fourier Transform (STFT), prinsip ketidakpastian Heisenberg-Gabor, Discrete Wavelet Transform (DWT), dan denoising wavelet sinyal transien.
Modul 9: Pipeline End-to-End Rekayasa Fitur dan Pelatihan Model XGBoost untuk STLF
Transformasi deret waktu sekuensial menjadi format matriks supervised learning, pembuatan fitur lag dekat dan lag musiman, statistik rolling window, encoding kalender siklis (sin/cos), algoritma pohon Gradient Boosting (XGBoost/LightGBM), dan pencegahan data leakage dengan TimeSeriesSplit.
Modul 10: Pembuatan Model Deep Learning PyTorch LSTM/GRU untuk Peramalan Daya PLTS 24 Jam
Keterbatasan jaringan saraf feedforward MLP, arsitektur Recurrent Neural Network (RNN), algoritma Backpropagation Through Time (BPTT), masalah vanishing/exploding gradient, gerbang LSTM (Forget, Input, Output), arsitektur GRU yang efisien, dan peramalan daya PLTS fluktuatif.
Modul 11: Implementasi Model Hibrida CNN-LSTM dengan Attention Mechanism untuk Profil Beban Multi-Bus
Operasi konvolusi 1D temporal, Causal & Dilated Convolutions untuk memperluas Receptive Field, arsitektur Encoder-Decoder (Seq2Seq) untuk peramalan multi-cakrawala, mekanisme Bahdanau dan Luong Attention, serta paradigma Transformer (PatchTST / Informer).
Modul 12: Deteksi Pencurian Listrik Smart Meter dan Anomali Transformator dengan LSTM Autoencoder
Taksonomi anomali deret waktu sistem tenaga (Point, Contextual, Collective anomalies), metode statistik Z-score dan CUSUM, algoritma Isolation Forest, arsitektur LSTM Autoencoder untuk deteksi berbasis galat rekonstruksi, serta metrik Precision, Recall, dan F1-Score pada dataset timpang (*class imbalance*).
Modul 13: Peramalan Probabilistik Kuantil LightGBM dan Optimasi Dispatch BESS Mikrogrid
Kelemahan peramalan titik tunggal, formulasi Quantile Regression Loss (Pinball Loss), peramalan pita probabilitas P10-P50-P90, evaluasi PICP dan PINAW, integrasi peramalan ke Unit Commitment dan Model Predictive Control (MPC), serta optimasi arbitrase tarif BESS mikrogrid.