Kursus Machine Learning: Penerapan Generative Adversarial Networks (GAN) untuk Pengembangan Model Prediksi dan Simulasi Cuaca Ekstrem

Berikut adalah silabus untuk topik “Penerapan Generative Adversarial Networks (GAN) untuk Pengembangan Model Prediksi dan Simulasi Cuaca Ekstrem”:

Modul 1: Pengenalan Machine Learning dan Deep Learning (Sesi 1-5)

• Sesi 1 : Pengantar Machine Learning, Deep Learning, dan Konsep Prediksi Cuaca

• Sesi 2 : Dasar-dasar Jaringan Syaraf Tiruan (Artificial Neural Networks) dan Pengantar GAN

• Sesi 3 : Konsep Generative Adversarial Networks (GAN) – Generator dan Discriminator

• Sesi 4 : Studi Kasus Aplikasi GAN dalam Berbagai Bidang

• Sesi 5 : Pendalaman GAN dan Tipe-tipe GAN yang Relevan dalam Prediksi Cuaca Ekstrem

Modul 2: Pemrosesan Data untuk Prediksi Cuaca (Sesi 6-10)

• Sesi 6 : Pengumpulan dan Sumber Data Cuaca – Dataset Cuaca Ekstrem dan Penginderaan Jauh

• Sesi 7 : Teknik Preprocessing Data Cuaca (Normalisasi, Penskalaan, dan Pengisian Data Hilang)

• Sesi 8 : Pemrosesan Data Waktu – Analisis Data Waktu (Time Series Analysis) untuk Cuaca

• Sesi 9 : Teknik Ekstraksi Fitur dari Data Cuaca (Temperatur, Kelembapan, Angin, dll.)

• Sesi 10 : Studi Kasus Data Cuaca Ekstrem – Pemilihan dan Pengolahan Data

Modul 3: Struktur dan Implementasi GAN (Sesi 11-20)

• Sesi 11 : Arsitektur Dasar GAN – Implementasi Model Generator

• Sesi 12 : Arsitektur Dasar GAN – Implementasi Model Discriminator

• Sesi 13 : Training GAN – Fungsi Loss dan Optimisasi (Adversarial Loss, Gradient Descent)

• Sesi 14 : Implementasi GAN Sederhana untuk Simulasi Data Cuaca

• Sesi 15 : Teknik Pengendalian Mode Collapse pada GAN

• Sesi 16 : Pendalaman Conditional GAN (cGAN) untuk Prediksi Berdasarkan Kondisi Tertentu

• Sesi 17 : Pendalaman Wasserstein GAN (WGAN) dan Penggunaan Fungsi Distance dalam GAN

• Sesi 18 : GAN untuk Data Waktu (Time-Series GAN) – Konsep dan Implementasi