DOKUMEN RESMI KURIKULUM OBE
Rencana Pembelajaran Semester (RPS)
Standar Outcome-Based Education (OBE) mata kuliah Analisis Deret Waktu dan Peramalan (TEE-412 / 3 SKS), Program Studi S1 Teknik Elektro, Fakultas Teknik Universitas Bengkulu.
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.
Matriks Jadwal Perkuliahan 16 Minggu
| Minggu | Materi & Pokok Bahasan | Sub-CPMK & Indikator | Kategori | Aksi |
|---|---|---|---|---|
| Minggu 1 | Pengantar Deret Waktu & Dekomposisi KlasikTaksonomi 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. | Foundation | Detail → |
| Minggu 2 | Stasioneritas & Analisis KorelogramStasioneritas 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. | Foundation | Detail → |
| Minggu 3 | Pemulusan Eksponensial & Holt-WintersSingle, Double (Holt), dan Triple Exponential Smoothing (Holt-Winters Aditif/Multiplikatif) | Sub-CPMK 3: Mampu menerapkan metode pemulusan eksponensial untuk peramalan beban jangka pendek. | Classical Models | Detail → |
| Minggu 4 | Pemodelan AR, MA, ARMA & Kestabilan ZProses 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. | Classical Models | Detail → |
| Minggu 5 | ARIMA Musiman (SARIMA) Metodologi Box-JenkinsSiklus 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. | Classical Models | Detail → |
| Minggu 6 | Model Regresi Dinamik Eksogen: SARIMAX & VARFungsi 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. | Classical Models | Detail → |
| Minggu 7 | Discrete Kalman Filter & Representasi State-SpaceModel 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. | Classical Models | Detail → |
| Minggu 9 | Analisis Spektral & Dekomposisi WaveletDomain 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. | Spectral Analysis | Detail → |
| Minggu 10 | Feature Engineering & Machine Learning untuk STLFSliding 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. | Machine Learning | Detail → |
| Minggu 11 | Deep Learning Sekuensial: RNN, LSTM, & GRUArsitektur 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. | Deep Learning | Detail → |
| Minggu 12 | Arsitektur Sekuensial Lanjut: CNN-1D, Seq2Seq, & AttentionTemporal 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. | Deep Learning | Detail → |
| Minggu 13 | Deteksi Anomali Sistem Tenaga & AutoencoderTaksonomi Anomali Kelistrikan, Isolation Forest, dan Rekonstruksi Galat LSTM Autoencoder | Sub-CPMK 12: Mampu merancang sistem deteksi anomali tanpa pengawasan (Unsupervised) berbasis Autoencoder. | Deep Learning | Detail → |
| Minggu 14 | Integrasi Operasi Daya & Kuantisasi KetidakpastianPeramalan Probabilistik (Quantile Regression P10-P90), Optimasi BESS Mikrogrid, dan MPC | Sub-CPMK 13: Mampu mengkuantisasi ketidakpastian EBT dan mengintegrasikannya ke penjadwalan baterai BESS mikrogrid. | Power Operations | Detail → |