BAB 30: MACHINE LEARNING DAN PREDIKSI DATA

 

BAB 30: MACHINE LEARNING DAN PREDIKSI DATA

 

A.    Pengantar Data-Driven Engineering

1.     Mengapa Data-Driven?

a.     Data adalah aset paling berharga di era modern

b.     Machine Learning mengubah data menjadi prediksi dan keputusan

c.     Berbeda dengan rule-based (aturan buatan manusia), ML belajar dari data

d.     Aplikasi: prediksi kerusakan komponen, optimasi desain, deteksi anomali

e.     Contoh: memprediksi umur baterai dari data pengisian

2.     Siklus Data-Driven Engineering

a.     Akuisisi data → Preprocessing → Exploratory Data Analysis (EDA) → Feature Engineering → Modeling → Evaluation → Deployment

b.     Data mentah tidak berguna tanpa preprocessing dan analisis

c.     Model harus dievaluasi dengan data yang tidak terlihat

d.     Aplikasi: continuous monitoring, predictive maintenance

e.     Contoh: dari data sensor suhu ke prediksi overheating

3.     Data dalam Elektronika — Karakteristik Khusus

a.     Data time-series (sinyal dari waktu ke waktu)

b.     Data multi-sensor (fusion data dari berbagai sensor)

c.     Data frekuensi tinggi (sampling rate MHz-GHz)

d.     Data noisy (sensor tidak sempurna)

e.     Data streaming (real-time, data terus mengalir)

B.    Preprocessing dan Exploratory Data Analysis (EDA)

1.     Pembersihan Data (Data Cleaning)

a.     Handling missing values (data hilang) — interpolasi, drop, imputasi

b.     Handling outliers (data anomali) — deteksi IQR, Z-score, visualisasi

c.     Deteksi noise dan filtering

d.     Aplikasi: mempersiapkan data untuk analisis

e.     Contoh: menghapus spike pada data sensor suhu

2.     Exploratory Data Analysis (EDA)

a.     Visualisasi data: histogram, scatter plot, box plot, pair plot

b.     Statistik deskriptif: mean, median, mode, std, min, max, quartile

c.     Deteksi korelasi antar variabel: Pearson, Spearman

d.     Aplikasi: memahami struktur data, menemukan pola

e.     Contoh: menemukan korelasi antara suhu dan arus

3.     Feature Engineering

a.     Feature extraction: mengambil fitur penting dari data mentah

b.     Dimensi waktu: mean, std, min, max, slope, FFT

c.     Dimensi domain: feature extraction dari sinyal

d.     Dimensi statistik: histogram, percentile, skewness, kurtosis

e.     Aplikasi: meningkatkan performa model ML

f.      Contoh: dari data getaran ke fitur RMS, peak-to-peak, FFT

4.     Normalisasi dan Scaling

a.     Min-Max Scaling: scale ke [0,1]

b.     Standardization (Z-score): mean=0, std=1

c.     Robust Scaling: tahan terhadap outliers

d.     Mengapa penting: model ML sensitive terhadap skala

e.     Aplikasi: semua ML pipeline

C.    Machine Learning untuk Prediksi

1.     Regresi Linear

a.     Model prediksi yang paling sederhana: y = w·x + b

b.     Memprediksi nilai kontinu berdasarkan fitur

c.     Metode Least Squares: meminimalkan MSE

d.     Evaluasi: R², MSE, RMSE, MAE

e.     Aplikasi: prediksi nilai numerik

f.      Contoh: memprediksi suhu dari arus

2.     Regresi Non-Linear (Polynomial, SVR)

a.     Data tidak linear: perlu model non-linear

b.     Polynomial Regression: y = w₀ + w₁x + w₂x² + ...

c.     Support Vector Regression (SVR): dengan kernel (RBF, polynomial)

d.     Aplikasi: hubungan non-linear antara variabel

e.     Contoh: hubungan arus-suhu pada MOSFET (non-linear)

3.     Klasifikasi

a.     Memprediksi kategori (label diskrit)

b.     Logistic Regression: untuk klasifikasi biner

c.     Decision Tree: sederhana, interpretable

d.     Random Forest: ensemble dari decision trees

e.     SVM (Support Vector Machine): margin maksimum

f.      Aplikasi: klasifikasi, deteksi anomali

g.     Contoh: mendeteksi apakah sinyal RF adalah noise atau data

4.     Model Evaluasi

a.     Metrics untuk regresi: MSE, RMSE, MAE, R²

b.     Metrics untuk klasifikasi: accuracy, precision, recall, F1-score, confusion matrix

c.     Cross-validation: k-fold untuk menghindari overfitting

d.     Train-test split: data training dan data testing

e.     Aplikasi: memilih model terbaik

D.    Time Series dan Forecasting

1.     Karakteristik Time Series

a.     Data yang diukur sepanjang waktu (sinyal, sensor, log)

b.     Komponen: trend, seasonality, noise, cycle

c.     Stationarity vs non-stationarity

d.     Autocorrelation dan partial autocorrelation

e.     Aplikasi: semua data time-series

2.     ARIMA (AutoRegressive Integrated Moving Average)

a.     Model klasik untuk time series forecasting

b.     AR: autoregressive (dependensi pada nilai sebelumnya)

c.     I: differencing (menghilangkan trend)

d.     MA: moving average (dependensi pada error sebelumnya)

e.     Parameter: p, d, q (tuning)

f.      Aplikasi: forecasting data univariat

g.     Contoh: prediksi permintaan daya listrik

3.     LSTM (Long Short-Term Memory)

a.     Neural network khusus untuk data sekuensial

b.     Dapat menangkap long-term dependencies

c.     Gate: input, forget, output — mengontrol informasi

d.     Lebih baik dari RNN (tidak ada vanishing gradient)

e.     Aplikasi: forecasting, NLP, pengenalan suara

f.      Contoh: prediksi data sensor jangka panjang

4.     Aplikasi: Prediksi Data Sensor

a.     Data sensor dikumpulkan secara kontinu

b.     Preprocessing dan feature extraction

c.     Model LSTM/ARIMA untuk forecasting

d.     Evaluasi prediksi dengan data aktual

e.     Aplikasi: predictive maintenance, monitoring

f.      Contoh: memprediksi suhu CPU 10 menit ke depan

E.    Neural Network dan Deep Learning

1.     Dasar Neural Network

a.     Neuron: weighted sum + activation + output

b.     Activation: Sigmoid, Tanh, ReLU

c.     Forward propagation: input → hidden → output

d.     Loss function: MSE, Cross-Entropy, Huber

e.     Backpropagation: chain rule untuk update bobot

f.      Optimizer: SGD, Adam, RMSProp, Momentum

g.     Aplikasi: semua ML modern

2.     Multi-Layer Perceptron (MLP)

a.     Arsitektur: Input → Hidden Layer 1 → Hidden Layer 2 → Output

b.     Jumlah hidden layer dan neuron: hyperparameter

c.     Overfitting: regularization, dropout

d.     Aplikasi: regresi dan klasifikasi

e.     Contoh: prediksi umur baterai dari data riwayat

3.     CNN (Convolutional Neural Network)

a.     Untuk data dengan struktur grid (gambar, spektrogram)

b.     Convolution: mengekstrak fitur lokal

c.     Pooling: mengurangi dimensi

d.     Aplikasi: pengenalan gambar, sinyal, spektrogram

e.     Contoh: klasifikasi spektrogram sinyal RF

4.     RNN (Recurrent Neural Network) dan LSTM

a.     RNN: untuk data sekuensial (time series, teks)

b.     RNN: hidden state untuk menyimpan informasi

c.     LSTM: Long Short-Term Memory (tanpa vanishing gradient)

d.     Aplikasi: time series forecasting, NLP

e.     Contoh: prediksi data sensor

F.     Unsupervised Learning dan Deteksi Anomali

1.     PCA (Principal Component Analysis)

a.     Reduksi dimensi: mengurangi jumlah fitur

b.     Menemukan komponen utama (principal components)

c.     Aplikasi: visualization, feature extraction, noise reduction

d.     Contoh: mengurangi 100 fitur menjadi 2-3 untuk visualisasi

2.     Clustering (K-Means, DBSCAN)

a.     Mengelompokkan data berdasarkan kesamaan

b.     K-Means: centroid-based, jumlah k ditentukan

c.     DBSCAN: density-based, tahan noise

d.     Aplikasi: segmentation, anomaly detection

e.     Contoh: mengelompokkan jenis sinyal RF

3.     Deteksi Anomali (Isolation Forest, Autoencoder)

a.     Anomali: data yang menyimpang dari "normal"

b.     Isolation Forest: mengisolasi anomali menggunakan decision tree

c.     Autoencoder: NN yang merekonstruksi data, anomali = error tinggi

d.     Aplikasi: monitoring, predictive maintenance, quality control

e.     Contoh: mendeteksi anomali pada sinyal sensor

4.     Aplikasi: Monitoring Sistem dengan Deteksi Anomali

a.     Data sensor dikumpulkan secara kontinu

b.     Model deteksi anomali (Isolation Forest, Autoencoder)

c.     Real-time monitoring dan alerting

d.     Aplikasi: predictive maintenance, security

e.     Contoh: mendeteksi anomali pada data arus motor

G.    Aplikasi End-to-End

1.     Pipeline ML End-to-End

a.     Akuisisi data (sensor, file, database)

b.     Preprocessing (cleaning, scaling, feature engineering)

c.     Model selection dan training

d.     Evaluation dan validation

e.     Deployment (API, edge, cloud)

f.      Monitoring dan retraining

g.     Aplikasi: semua sistem ML

2.     MLOps dan Deployment

a.     MLflow: tracking eksperimen

b.     Docker: container untuk deployment

c.     API: REST, gRPC

d.     Edge deployment: microcontrollers, Raspberry Pi, FPGA

e.     Cloud deployment: AWS, GCP, Azure

f.      Aplikasi: produksi dan deployment ML

3.     Aplikasi: Prediksi Karakteristik Komponen

a.     Data: karakteristik transistor (V-I) dari pengukuran

b.     Preprocessing: scaling, feature extraction

c.     Model: regresi non-linear (SVR, MLP)

d.     Evaluasi: R², MSE

e.     Deployment: API untuk prediksi cepat

f.      Aplikasi: desain komponen, quality control

4.     Aplikasi: Prediksi Umur Baterai

a.     Data: riwayat pengisian dan pengosongan baterai

b.     Preprocessing: feature extraction (voltage drop, temperature)

c.     Model: LSTM atau XGBoost

d.     Evaluasi: RMSE, MAE

e.     Deployment: edge (BMS) atau cloud

f.      Aplikasi: BMS (Battery Management System)