Silabus: Implementasi Algoritma Machine Learning untuk Prediksi Kualitas Udara Menggunakan MATLAB
Sesi 1: Pengenalan MATLAB dan Lingkungan Kerja
- Pengenalan MATLAB dan fitur-fitur dasar
- Instalasi toolbox yang diperlukan untuk machine learning
- Struktur folder dan pengaturan workspace proyek
- Pengenalan data kualitas udara dan sumbernya
- Teknik pra-pemrosesan data dasar
Sesi 2: Pengenalan Machine Learning dan Algoritma Dasar
- Konsep dasar machine learning: supervised dan unsupervised learning
- Pengenalan regresi linear dan penerapannya pada data kualitas udara
- Implementasi regresi linear sederhana di MATLAB
- Evaluasi model dengan MSE dan R-squared
- Analisis hasil prediksi awal
Sesi 3: Pengolahan Data Kualitas Udara
- Teknik pemrosesan data: normalisasi dan standardisasi
- Mengatasi data hilang dan data outlier
- Ekstraksi fitur dari data kualitas udara
- Visualisasi data dengan grafik 2D dan 3D
- Pembuatan dataset training dan testing
Sesi 4: Regresi dan Prediksi Kualitas Udara
- Penerapan regresi linear berganda pada data kualitas udara
- Model regresi polynomial untuk prediksi yang lebih kompleks
- Evaluasi model regresi dengan error metrics lainnya
- Optimasi model regresi dengan grid search
- Penerapan cross-validation pada model regresi
Sesi 5: Pengenalan Algoritma Decision Tree
- Konsep dan cara kerja decision tree
- Implementasi decision tree untuk prediksi kualitas udara
- Pruning dan tuning parameter decision tree
- Visualisasi dan interpretasi model decision tree
- Evaluasi kinerja decision tree dengan confusion matrix
Sesi 6: Random Forest untuk Prediksi Kualitas Udara
- Konsep dasar random forest dan kelebihannya
- Implementasi random forest di MATLAB
- Pengaturan parameter random forest untuk optimasi
- Mengatasi overfitting pada random forest
- Evaluasi model dengan ROC curve dan AUC
Sesi 7: Support Vector Machine (SVM)
- Pengenalan SVM dan konsep hyperplane
- Implementasi SVM untuk klasifikasi kualitas udara
- Pengaturan kernel SVM dan dampaknya terhadap hasil
- Evaluasi model SVM dengan precision dan recall
- Tuning parameter SVM untuk hasil optimal
Sesi 8: K-Nearest Neighbors (KNN)
- Konsep dasar algoritma KNN
- Implementasi KNN untuk prediksi kualitas udara
- Pengaruh nilai K terhadap akurasi model
- Optimasi KNN dengan cross-validation
- Analisis kinerja model KNN dengan confusion matrix
Sesi 9: Neural Network untuk Prediksi Kualitas Udara
- Pengenalan neural network dan arsitekturnya
- Implementasi neural network dasar di MATLAB
- Pengaturan layer, neuron, dan fungsi aktivasi
- Pelatihan model neural network dengan dataset
- Evaluasi model neural network dengan MSE dan MAE
Sesi 10: Deep Learning untuk Prediksi Kualitas Udara
- Pengenalan deep learning dan konsep lapisan tersembunyi
- Implementasi deep neural network (DNN) di MATLAB
- Pengaturan parameter DNN seperti epochs dan batch size
- Pelatihan dan evaluasi model DNN
- Analisis hasil dengan grafik loss dan akurasi
Sesi 11: Principal Component Analysis (PCA)
- Konsep dasar PCA dan penerapannya pada reduksi dimensi
- Implementasi PCA pada dataset kualitas udara
- Analisis komponen utama dan visualisasi
- Integrasi PCA dengan model machine learning
- Evaluasi performa model setelah reduksi dimensi
Sesi 12: Pengolahan Data Waktu Nyata (Real-Time Data)
- Mengakses dan memproses data kualitas udara waktu nyata
- Integrasi MATLAB dengan API data kualitas udara
- Pengolahan data streaming di MATLAB
- Implementasi model prediksi pada data waktu nyata
- Evaluasi performa model pada data real-time
Sesi 13: Penggunaan Ensemble Learning
- Konsep dasar ensemble learning: bagging dan boosting
- Implementasi model ensemble (bagging, boosting) di MATLAB
- Penerapan model ensemble pada prediksi kualitas udara
- Analisis kinerja model ensemble dibandingkan model tunggal
- Tuning parameter ensemble untuk hasil optimal
Sesi 14: Evaluasi Model dengan Teknik Validasi
- Teknik validasi: k-fold cross-validation dan leave-one-out
- Implementasi teknik validasi pada model yang telah dibangun
- Analisis kinerja model dengan metrik error dan akurasi
- Mengatasi bias dan varians pada model
- Strategi pemilihan model terbaik untuk deployment
Sesi 15: Optimasi Hyperparameter dengan Grid Search
- Konsep hyperparameter tuning dan pentingnya
- Implementasi grid search untuk optimasi model
- Pengaturan parameter untuk optimasi grid search
- Evaluasi model setelah optimasi hyperparameter
- Integrasi optimasi dengan pipeline machine learning
Sesi 16: Clustering untuk Pengelompokan Kualitas Udara
- Pengenalan clustering: k-means dan hierarchical clustering
- Implementasi k-means clustering pada data kualitas udara
- Visualisasi hasil clustering dan interpretasi
- Penggunaan clustering untuk segmentasi kualitas udara
- Evaluasi hasil clustering dengan silhouette score
Sesi 17: Pengenalan Time Series Analysis
- Konsep dasar analisis data time series
- Implementasi ARIMA untuk prediksi kualitas udara
- Pengaturan parameter ARIMA untuk hasil optimal
- Evaluasi model time series dengan MAE dan RMSE
- Integrasi hasil time series dengan prediksi jangka panjang
Sesi 18: Integrasi Model Machine Learning dengan GUI
- Pengenalan pembuatan GUI di MATLAB
- Implementasi GUI untuk menampilkan prediksi kualitas udara
- Integrasi model machine learning dengan GUI
- Pengujian GUI dengan berbagai skenario
- Deployment aplikasi GUI untuk pengguna
Sesi 19: Implementasi Model Predictive Maintenance
- Penerapan konsep predictive maintenance pada kualitas udara
- Implementasi model untuk prediksi perawatan sensor kualitas udara
- Analisis data sensor dan pembuatan model prediktif
- Evaluasi model predictive maintenance
- Integrasi model predictive maintenance dengan sistem monitoring
Sesi 20: Evaluasi Performa Model dengan Data Eksperimen
- Persiapan dataset eksperimen untuk pengujian model
- Penggunaan data eksperimen untuk validasi model
- Analisis hasil prediksi pada data eksperimen
- Evaluasi performa model dengan berbagai metrik
- Pengambilan keputusan berdasarkan hasil eksperimen
Sesi 21: Pemilihan Model Terbaik untuk Prediksi Kualitas Udara
- Analisis komparatif model-model yang telah dibangun
- Pemilihan model terbaik berdasarkan metrik performa
- Evaluasi akhir model terpilih dengan data testing
- Implementasi model terbaik pada data real-time
- Strategi optimasi model di masa depan
Sesi 22: Implementasi Model Prediksi Kualitas Udara di Cloud
- Pengenalan cloud computing dan integrasi dengan MATLAB
- Deployment model machine learning di cloud (AWS, Azure, Google Cloud)
- Pengujian model cloud dengan data real-time
- Evaluasi performa model cloud dibandingkan lokal
- Integrasi hasil prediksi cloud dengan sistem monitoring
Sesi 23: Penyusunan Laporan Hasil Prediksi
- Struktur laporan hasil prediksi kualitas udara
- Penyusunan grafik dan tabel hasil prediksi
- Analisis hasil model dengan studi kasus
- Penulisan kesimpulan dan rekomendasi
- Penyusunan laporan lengkap dalam format dokumen
Sesi 24: Presentasi Hasil Model kepada Stakeholder
- Pembuatan presentasi hasil model menggunakan MATLAB
- Penjelasan model dan hasil prediksi kepada stakeholder
- Penyampaian rekomendasi dan langkah lanjut
- Diskusi hasil dan umpan balik dari stakeholder
- Revisi model berdasarkan umpan balik
Sesi 25: Pengenalan AutoML untuk Prediksi Kualitas Udara
- Konsep dasar AutoML dan penerapannya
- Implementasi AutoML di MATLAB
- Pemilihan model otomatis dengan AutoML
- Evaluasi hasil AutoML dengan model manual
- Integrasi AutoML dalam workflow prediksi
Sesi 26: Implementasi Model Deep Learning Lanjutan
- Pengenalan Convolutional Neural Network (CNN)
- Implementasi CNN untuk analisis data kualitas udara
- Pengaturan arsitektur CNN dan parameter training
- Evaluasi hasil CNN dengan data eksperimen
- Optimasi model CNN untuk hasil yang lebih baik
Sesi 27: Evaluasi Akhir dan Penyempurnaan Model
- Evaluasi komprehensif semua model yang telah dibangun
- Penyempurnaan model berdasarkan hasil evaluasi
- Penggunaan ensemble model untuk prediksi akhir
- Evaluasi kinerja ensemble model
- Implementasi akhir model untuk deployment
Sesi 28: Deployment Model ke Sistem Monitoring Kualitas Udara
- Persiapan lingkungan deployment untuk model machine learning
- Integrasi model dengan sistem monitoring kualitas udara
- Pengujian model di lingkungan production
- Evaluasi performa model di sistem monitoring
- Optimasi model untuk performa real-time
Sesi 29: Pengembangan Sistem Prediksi Kualitas Udara Berbasis IoT
- Pengenalan IoT dan aplikasi pada prediksi kualitas udara
- Integrasi sensor kualitas udara dengan MATLAB
- Pengambilan data real-time dari sensor IoT
- Implementasi model prediksi pada data IoT
- Evaluasi dan optimasi sistem IoT untuk prediksi kualitas udara
Sesi 30: Proyek Akhir: Pengembangan Aplikasi Prediksi Kualitas Udara
- Perencanaan dan pengembangan aplikasi prediksi kualitas udara
- Implementasi model pada aplikasi berbasis MATLAB
- Pengujian aplikasi dengan data real-time dan simulasi
- Penyusunan laporan dan dokumentasi proyek
- Presentasi proyek akhir dan evaluasi dari pengajar
