Jasa Skripsi Tesis Disertasi Data Science ~ Prediksi Konsumsi Energi Rumah Tangga Menggunakan Algoritma LightGBM

Berikut adalah Silabus 20 Sesi (1,5 Jam per Sesi) untuk topik “Prediksi Konsumsi Energi Rumah Tangga Menggunakan Algoritma LightGBM dengan Python”. Silabus ini cocok untuk skripsi, pelatihan, atau proyek mandiri, dengan pendekatan praktik dan teori terstruktur.

Silabus 20 Sesi (Total: 30 Jam)

Topik Utama: Prediksi konsumsi energi rumah tangga berbasis data time series dan fitur, menggunakan algoritma LightGBM dan teknik evaluasi modern.

Tahap 1: Dasar Data Science & Persiapan Proyek

Sesi 1: Pengenalan Data Science dan Machine Learning untuk Energi

• Konsep dasar prediksi konsumsi energi

• Studi kasus real-time

• Overview algoritma LightGBM dan perbandingan dengan ML lainnya

Sesi 2: Instalasi dan Persiapan Lingkungan

• Instalasi Python, Jupyter, dan library utama (pandas, scikit-learn, lightgbm)

• Struktur folder proyek

• Dataset yang digunakan: UCI Household Energy Dataset / alternatif lokal

Sesi 3: Eksplorasi Dataset Energi

• Memahami fitur: daya aktif, daya reaktif, tegangan, sub-metering

• Data time series vs data tabular

• Visualisasi awal konsumsi energi

Sesi 4: Pembersihan dan Pra-pemrosesan Data

• Penanganan missing values

• Konversi tipe waktu

• Agregasi (menit → jam / harian)

Sesi 5: Feature Engineering untuk Prediksi Energi

• Membuat fitur waktu (jam, hari, akhir pekan)

• Lag features dan rolling window

• Korelasi antar fitur

Tahap 2: Pemodelan dengan LightGBM

Sesi 6: Pengenalan Algoritma LightGBM

• Konsep boosting, leaf-wise tree growth

• Kelebihan dibandingkan XGBoost

Sesi 7: Implementasi Model LightGBM Pertama

• Splitting data train-test

• Membuat model dasar

• Evaluasi awal: MAE, RMSE, R²

Sesi 8: Hyperparameter Tuning dengan GridSearch dan Optuna

• max_depth, num_leaves, learning_rate

• Early stopping

• Visualisasi hasil tuning

Sesi 9: Cross Validation Time Series

• Menghindari data leakage

• TimeSeriesSplit vs KFold

• Validasi performa model

Sesi 10: Interpretasi Model dan Feature Importance

• SHAP value untuk interpretasi

• Fitur paling berpengaruh terhadap konsumsi energi

Tahap 3: Penerapan dan Evaluasi

Sesi 11: Prediksi Data Konsumsi Energi Harian / Jam Ke Depan

• Prediksi 1 jam ke depan vs 24 jam ke depan

• Rolling forecasting origin

Sesi 12: Visualisasi Hasil Prediksi vs Aktual

• Plot garis dan error band

• Metrik akurasi per hari

Sesi 13: Menangani Dataset Besar (Optimasi)

• LightGBM + Dask

• Penggunaan joblib untuk parallelism

Sesi 14: Evaluasi Model Lanjutan

• MAE, MAPE, RMSE, sMAPE

• Plot residual dan distribusi error

Sesi 15: Perbandingan dengan Algoritma Lain (XGBoost, Linear Regression)

• Benchmarking model

• Visualisasi dan insight dari hasil perbandingan

Tahap 4: Deployment & Studi Kasus

Sesi 16: Simulasi Konsumsi Energi dalam Rumah Tangga

• Analisis pola siang-malam, akhir pekan

• Segmentasi berdasarkan hari dan jam sibuk

Sesi 17: Export Model dan Penerapan Streamlit / Flask

• Menyimpan model dengan joblib/pickle

• Membuat tampilan sederhana untuk input dan output prediksi

Sesi 18: Pembuatan Dashboard Konsumsi Energi

• Menggunakan matplotlib, seaborn, atau Plotly

• Menampilkan grafik dinamis dan interaktif

Sesi 19: Evaluasi Sistem secara Keseluruhan

• Uji performa model pada data baru

• Error handling dan validasi akhir

Sesi 20: Presentasi Proyek dan Laporan

• Penyusunan laporan akhir

• Visualisasi hasil + insight

• Rekomendasi penggunaan model di dunia nyata