Kursus Pelatihan Pemrograman Dasar MATLAB

Modul 1: Lingkungan MATLAB, Alur Kerja, dan Fondasi Data

Menetapkan penguasaan ekosistem pengembangan MATLAB, mencakup alur kerja desktop dan cloud, tipe data inti, I/O file, dan strategi manajemen data yang menjadi fondasi untuk semua tugas komputasi teknis lanjutan.

1.1 Ekosistem MATLAB: Desktop, Online, dan Drive

• Bekerja dengan lingkungan desktop MATLAB: Jendela Perintah, Editor, Workspace, Folder Saat Ini, dan Riwayat Perintah
• MATLAB Online: pengembangan berbasis cloud, kolaborasi MATLAB Drive, dan aksesibilitas lintas perangkat
• Manajemen workspace, path pencarian, dan konfigurasi lingkungan
• Shortcut, profil, dan kustomisasi lingkungan pengembangan untuk efisiensi teknik

1.2 Tipe Data Inti dan Fondasi Matematika

• Literal, variabel, konvensi penamaan, dan penugasan di MATLAB
• Skalar, vektor, matriks, dan array multidimensi: pembuatan, pengindeksan, dan manipulasi
• Konstanta, operator, dan fungsi matematika bawaan
• Operasi array vs. matriks: elemen-demi-elemen vs. aljabar linear
• Pengindeksan logis, operator relasional, dan array logis untuk pemfilteran lanjutan
• Array sel, struktur, struct, dan objek handle untuk organisasi data kompleks
• Tabel dan timetable: paradigma data tabel modern MATLAB untuk data deret waktu dan data eksperimental

1.3 I/O File dan Interoperabilitas Data

• Impor dan ekspor file CSV, TXT, dan teks terdelimitasi
• Bekerja dengan spreadsheet Excel: operasi baca, tulis, dan format
• Format file asli MATLAB (.mat) dan persistensi workspace
• Pendeteksian data (import wizard) dan pembuatan impor data otomatis
• Konektivitas database: terhubung ke SQL Server, Oracle, PostgreSQL, dan database cloud
• Data web: mengambil respons JSON, XML, dan REST API di MATLAB

Kompetensi yang Sesuai dengan Pasar: Lingkungan Pengembangan MATLAB, Alur Kerja MATLAB Online, Kolaborasi MATLAB Drive, Manajemen Data Numerik, Fondasi Komputasi Ilmiah, Impor dan Ekspor Data Teknis, Penanganan Data CSV dan Excel, Konektivitas Database, Tabel dan Timetable MATLAB, Organisasi Data Terstruktur, Dasar Komputasi Matematika, Alur Kerja Data Teknik

Modul 2: Pemrograman MATLAB, Algoritma, dan Arsitektur Kode

Mendalami kompetensi pemrograman di luar sintaksis dasar, mencakup pemrograman terstruktur, MATLAB berorientasi objek, organisasi kode, debugging, profil kinerja, dan praktik terbaik teknik perangkat lunak untuk basis kode teknis yang dapat dipelihara.

2.1 Pemrograman Terstruktur dan Aliran Kendali

• Skrip vs. fungsi: kapan menggunakan masing-masing dan praktik terbaik
• Logika kondisional: if/else, switch/case, dan kondisi bersarang
• Loop: for, while, dan strategi optimasi loop (vektorisasi vs. iterasi)
• Aliran kendali dalam fungsi sub dan fungsi bersarang
• Teknik penanganan kesalahan dan debugging: try/catch, assert, dbstop, dan Debugger MATLAB

2.2 Pemrograman Fungsi dan Organisasi Kode

• Pembuatan fungsi, argumen input/output, dan fleksibilitas varargin/varargout
• Fungsi anonim dan handle fungsi: pemrograman fungsional di MATLAB
• Fungsi sub, fungsi lokal, dan fungsi bersarang
• Organisasi berbasis file, paket, dan manajemen paket tingkat folder
• Pass-by-value vs. pass-by-reference (objek handle)

2.3 Pemrograman Berorientasi Objek di MATLAB

• Kelas: menentukan properti, metode, dan tingkat akses (public/private/protected)
• Kelas handle vs. kelas nilai: semantik nilai vs. semantik referensi
• Konstruktor, destruktur, dan manajemen siklus hidup objek
• Pewarisan, overloading metode, dan kelas abstrak
• Implementasi antarmuka dan penanganan kejadian di kelas MATLAB
• Metode statis, properti dinamis, dan validasi properti

2.4 Profiling, Kualitas Kode, dan Pengujian

• Profiler MATLAB: mengidentifikasi bottleneck dan mengoptimalkan kode yang intensif komputasi
• Analisis cakupan kode dan kerangka pengujian unit MTest
• Integrasi kontrol versi: alur kerja Git dan SVN di Editor MATLAB
• Konsep Integrasi Berkelanjutan (CI/CD) dengan Jenkins dan Alur CI MATLAB
• Peringatan analisis kode statis dan praktik terbaik

Kompetensi yang Sesuai dengan Pasar: Pemrograman dan Skripting MATLAB, Pengembangan dan Optimasi Algoritma, Pemrograman MATLAB Berorientasi Objek, Arsitektur Berbasis Fungsi, Vektorisasi dan Optimasi Kinerja, Debugging dan Penanganan Kesalahan MATLAB, Profiling Kode dan Penalaan Kinerja, Pengujian Unit MATLAB (MTest), Analisis Cakupan Kode, Kontrol Versi dengan Git, Integrasi Berkelanjutan (CI/CD), Standar Kualitas Kode Profesional, Teknik Perangkat Lunak untuk Komputasi Teknis

Modul 3: Visualisasi Data, Pelaporan, dan Aplikasi Interaktif

Mencakup dasar-dasar plotting hingga visualisasi lanjutan, pembuatan dasbor interaktif, pengembangan GUI dengan App Designer, skrip langsung untuk laporan yang dapat direproduksi, dan generasi laporan otomatis untuk dokumentasi teknik.

3.1 Plotting Dasar dan Lanjutan

• Plotting 2D: plot garis, plot sebar, diagram batang, diagram pie, plot area, dan batang kesalahan
• Plotting multi-sumbu: hold, subplot, tiledlayout, dan posisi sumbu
• Plotting 3D: surf, mesh, contour, slice, dan visualisasi volume
• Kustomisasi plot: judul, label, legenda, anotasi, gaya garis, marker, dan warna
• Colormap, colorbar, dan plot yang akurat secara perseptual
• Ekspor gambar resolusi tinggi untuk publikasi: format (PNG, PDF, SVG, EMF)

3.2 Visualisasi Interaktif dan Dasbor

• Kustomisasi gambar dengan kontrol UI: slider, tombol, dropdown, dan callback
• App Designer MATLAB: membangun aplikasi desktop interaktif dengan komponen UI drag-and-drop
• Interaksi plot: zoom, pan, brushing, dan callback seleksi
• Aplikasi web: men-deploy visualisasi MATLAB sebagai dasbor interaktif online

3.3 Skrip Langsung dan Pelaporan Otomatis

• Skrip Langsung MATLAB (.mlx): notebook eksekusi yang menggabungkan kode, plot, dan teks terformat
• Dukungan Markdown dan LaTeX di Skrip Langsung untuk persamaan matematika
• Seksi Skrip Langsung kustom, parameter input, dan alur kerja berbagi
• Generasi laporan otomatis: mengekspor Skrip Langsung ke format PDF, HTML, dan Word

Kompetensi yang Sesuai dengan Pasar: Visualisasi Data dan Plotting, App Designer MATLAB, Pengembangan GUI, Desain Dasbor Interaktif, Penulisan Skrip Langsung, Generasi Laporan Teknis, Presentasi Data Ilmiah, Visualisasi dan Plotting 3D, Sistem Grafik MATLAB, Visualisasi Teknik, Desain Gambar Berkualitas Publikasi, Deployment Aplikasi Web, Komputasi Ilmiah Interaktif

Modul 4: Aljabar Matriks, Optimisasi Linear, dan Matematika Simbolik

Pencarian komprehensif aljabar linear sebagai inti matematika MATLAB, optimisasi pemrograman linear, dan komputasi simbolik untuk solusi analitis. Esensial untuk aplikasi teknik, riset operasi, dan pemodelan ilmiah.

4.1 Aljabar Linear dan Operasi Matriks

• Pembentukan matriks: eye, zeros, ones, rand, randn, diag, dan matriks khusus
• Dekomposisi matriks: LU, QR, Cholesky, SVD, dan analisis nilai eigen
• Fungsi khusus: det, trace, rank, norm, condition number, dan pseudo-inverse
• Menyelesaikan sistem linear: pembagian kiri (\), mldivide, dan solusi kuadrat terkecil
• Nilai eigen, vektor eigen, dan aplikasi fungsi matriks (expm, logm, sqrtm)
• Operasi matriks jarang dan komputasi hemat memori

4.2 Fondasi Optimisasi

• Pemrograman linear: linprog untuk optimisasi terkendala
• Optimisasi nonlinear: fmincon, fminsearch, dan fzero
• Pencocokan kurva dan estimasi parameter: fit, polyfit, dan lsqcurvefit
• Pengenalan alur kerja Toolbox Optimisasi

4.3 Matematika Simbolik

• Pembuatan variabel simbolik dan manipulasi ekspresi simbolik
• Diferensiasi analitis dan integrasi dengan dsolve dan int
• Aritmetika presisi variabel (vpa) untuk komputasi presisi tinggi
• Transformasi Laplace dan Fourier dalam mode simbolik
• Menyelesaikan persamaan secara analitis: solve dan vpasolve

Kompetensi yang Sesuai dengan Pasar: Aljabar Linear dan Komputasi Matriks, Dekomposisi dan Analisis Matriks, Optimisasi dan Pemrograman Matematika, Pemrograman Linear, Optimisasi Nonlinear, Pencocokan Kurva dan Pendekatan Data, Matematika Simbolik dan Komputasi Analitis, Transformasi Laplace, Analisis Nilai Eigen dan Stabilitas Numerik, Komputasi Matriks Jarang, Komputasi Ilmiah dan Analisis Numerik

Modul 5: Pemrosesan Sinyal, Pemrosesan Gambar, dan Simulasi

Menerapkan toolbox standar industri MATLAB untuk analisis sinyal, pemrosesan gambar, dan simulasi sistem. Modul ini mencakup toolbox inti yang paling banyak diminta di sektor telekomunikasi, pemrosesan audio, teknik biomedis, dan inspeksi industri.

5.1 Fondasi Pemrosesan Sinyal

• Teori sampling: laju sampling, aliasing, dan kriteria Nyquist
• Pembuatan sinyal dasar: sinyal sinus, cosinus, kotak, gigi gergaji, dan chirp
• Pembuatan sinyal dasar: sinyal sinus, cosinus, kotak, gigi gergaji, dan chirp
• Analisis domain frekuensi: FFT, spectrogram, dan plot magnitudo/fase
• Desain filter: filter FIR dan IIR lowpass, highpass, bandpass, bandstop
• Analisis spektral, densitas spektral daya, dan aplikasi filtering
• Denoising sinyal, penghalusan, dan deteksi envelope

5.2 Pemrosesan Gambar dan Video

• Pembuatan, pembacaan, penulisan, dan tampilan gambar dengan Toolbox Pemrosesan Gambar MATLAB
• Peningkatan gambar: penyesuaian kontras, equalisasi histogram, dan filtering
• Segmentasi gambar: thresholding, deteksi tepi, dan watershed
• Transformasi geometrik dan registrasi gambar
• Operasi morfologis: dilatasi, erosi, opening, dan closing
• Deteksi fitur: deteksi sudut (Harris), deteksi blob, dan pencocokan template

5.3 Pengenalan Simulink dan Pemodelan Sistem

• Lingkungan Simulink: pembuatan model, perpustakaan blok, dan routing sinyal
• Membangun diagram blok: sumber, sink, blok kontinu/diskrit, dan integrator
• Parameter simulasi: pemilihan solver, ukuran langkah, dan durasi simulasi
• Subsistem, masker, dan blok perpustakaan untuk komponen yang dapat digunakan kembali
• Analisis model: scope, pesan diagnostik, dan penjelajah model
• Pengenalan Simulink untuk sistem kendali: pemodelan tanaman dan simulasi kendali

5.4 Sistem Kendali dan Sistem Dinamis

• Fungsi alih dan diagram blok di Toolbox Sistem Kendali
• Analisis langkah, impuls, frekuensi (Bode), dan akar lokus
• Dasar desain dan penalaan pengendali PID
• Representasi ruang keadaan dan analisis sistem

Kompetensi yang Sesuai dengan Pasar: Pemrosesan Sinyal Digital (DSP), Analisis dan Filtering FFT, Pemrosesan Gambar dan Penglihatan Komputer, Toolbox Pemrosesan Gambar MATLAB, Segmentasi Gambar dan Deteksi Fitur, Desain Berbasis Model Simulink, Teknik Sistem Kendali, Analisis Fungsi Alih, Desain Pengendali PID, Simulasi Sistem Dinamis, Analisis Spektral, Plot Bode dan Respons Frekuensi, Analisis Akar Lokus, Pemodelan Ruang Keadaan, Pemrosesan Sinyal Biomedis, Pemrosesan Sinyal Audio, Inspeksi Industri dan Kontrol Kualitas

Modul 6: Machine Learning, Deep Learning, dan Integrasi AI

Mencakup kemampuan AI/ML yang berkembang pesat dalam MATLAB, mulai dari pembelajaran klasik tert supervised/unsupervised hingga jaringan saraf dalam, model yang telah dilatih sebelumnya, dan integrasi dengan Python untuk alur kerja AI hibrida. Menangani seperangkat keterampilan teknis paling diminati di bidang teknik saat ini.

6.1 Machine Learning Klasik dengan MATLAB

• Algoritma klasifikasi: KNN, Naive Bayes, SVM, pohon keputusan, dan metode ensemble
• Algoritma regresi: regresi linear, regresi polinomial, dan regresi terregularisasi
• Pembelajaran unsupervised: pengelompokan (k-means, hierarkis), PCA, dan reduksi dimensi
• Validasi model: validasi silang, matriks kebingungan, kurva ROC, dan metrik akurasi
• Seleksi fitur, pra-pemrosesan data, dan pembagian train/validasi/test

6.2 Deep Learning di MATLAB

• Fondasi deep learning: arsitektur jaringan saraf, lapisan, dan alur kerja pelatihan
• Jaringan Saraf Konvolusi (CNN) untuk klasifikasi gambar, menggunakan model yang telah dilatih sebelumnya (ResNet, GoogLeNet, AlexNet)
• Jaringan sekuensial-ke-sekuensial untuk pemrosesan deret waktu dan teks
• Pembelihan transfer: mengadaptasi model yang telah dilatih sebelumnya ke dataset kustom
• Desain jaringan dalam: pembangunan lapis demi lapis dengan layerPlot dan layerGraph
• Manajemen pelatihan: ukuran mini-batch, jadwal learning rate, dan akselerasi GPU

6.3 Integrasi Python dan Alur Kerja AI Hibrida

• Manggil Python dari MATLAB: mengimpor kelas, modul, dan pustaka Python
• Menggunakan framework deep learning Python (TensorFlow, PyTorch) dalam alur kerja MATLAB
• Menggunakan library ML Python (scikit-learn, pandas) untuk pra-pemrosesan data
• Pertukaran data dua arah antara array MATLAB dan ndarray Python
• Membangun pipeline AI hibrida yang memanfaatkan kekuatan teknik MATLAB dan ekosistem AI Python

Kompetensi yang Sesuai dengan Pasar: Machine Learning di MATLAB, Pembelajaran Supervised, Pembelajaran Unsupervised, Deep Learning dan Jaringan Saraf, Jaringan Saraf Konvolusi (CNN), Pembelajaran Transfer, ML Deret Waktu, Teknik Fitur, Validasi Model dan Penilaian Akurasi, Interoperabilitas Python-MATLAB, Integrasi Python untuk AI/ML, TensorFlow dan PyTorch di MATLAB, Analitik Prediktif, Solusi AI Teknik, Alur Kerja Deep Learning Hibrida, Adaptasi Model yang Telah Dilatih, Desain Arsitektur Jaringan Saraf

Modul 7: Komputasi GPU, Deployment, dan Integrasi Enterprise

Mencakup komputasi berkinerja tinggi dengan akselerasi GPU, generasi kode untuk deployment produksi, distribusi aplikasi, desain berbasis simulasi, dan pola deployment tingkat enterprise yang esensial untuk insinyur MATLAB senior dan pemimpin tim.

7.1 Komputasi Paralel dan Berakselerasi GPU

• Memeriksa ketersediaan GPU dan pembuatan array GPU (gpuArray)
• Fungsi bawaan berakselerasi GPU: matematika otomatis dan deep learning yang dipercepat
• Toolbox Komputasi Paralel: parfor untuk paralelisasi loop
• SPMD (Single Program Multiple Data) dan array terdistribusi untuk HPC
• Komputasi cluster dan MATLAB Parallel Server untuk komputasi skala besar

7.2 Generasi Kode dan Deployment

• MATLAB Coder: menghasilkan kode C/C++ dari fungsi MATLAB untuk sistem tertanam dan produksi
• Laporan MATLAB Coder: menganalisis generasi kode, peluang optimasi, dan pemeriksaan kompatibilitas
• MATLAB Compiler: mengemas aplikasi MATLAB sebagai executable mandiri dan library bersama
• Interoperabilitas Java dan .NET untuk integrasi enterprise
• MATLAB Production Server: men-deploy kode MATLAB sebagai layanan web REST di infrastruktur enterprise

7.3 Distribusi dan Berbagi Aplikasi MATLAB

• Publikasi Aplikasi MATLAB untuk distribusi organisasi internal
• Berbagi aplikasi MATLAB Online melalui MATLAB Drive
• Membangun toolbox kustom dengan App Builder dan App Designer

7.4 Simulink untuk Desain Berbasis Model (MBD)

• Generasi kode dari model Simulink (Simulink Coder / Embedded Coder)
• Pengujian Hardware-in-the-loop (HIL) dan model-in-the-loop (MIL)
• Simulink untuk simulasi sistem otomotif, penerbangan, dan robotika
• Stateflow: pemodelan mesin keadaan untuk logika kendali dan sistem yang didorong oleh kejadian

7.5 IoT dan Sistem Tertanam

• Menghubungkan MATLAB ke perangkat keras fisik: dukungan paket Arduino, Raspberry Pi, dan BeagleBone
• Membaca data sensor secara real-time: suhu, accelerometer, gyroscope, ultrasonik, dan IMU
• Menghasilkan kode C untuk prosesor ARM tertanam dan men-deploy ke mikrokontroler

Kompetensi yang Sesuai dengan Pasar: Komputasi Berakselerasi GPU, Komputasi Paralel, Komputasi Berkinerja Tinggi (HPC), Komputasi Cluster, MATLAB Coder untuk Generasi Kode C/C++, MATLAB Compiler, Deployment Aplikasi Mandiri, MATLAB Production Server, Deployment Layanan API REST, Pengembangan Sistem Tertanam, Pengujian Hardware-in-the-Loop (HIL), Rekayasa Sistem Berbasis Model (MBSE), Pemodelan Stateflow, Generasi Kode Simulink, Integrasi Sensor IoT, Edge Computing, Pengumpulan Data Real-time, Integrasi MATLAB Enterprise, Deployment MATLAB Tim dan Organisasi, Pengembangan Mikrokontroler ARM

Modul 8: Aplikasi Spesifik Domain dan Proyek Capstone

Menerapkan MATLAB di domain industri yang paling relevan dengan pasar kerja (teknik, keuangan, ilmu data, dan biomedis), berakhir dengan capstone praktis yang mengintegrasikan setiap keterampilan ke dalam solusi komputasi teknis lengkap.

8.1 Aplikasi MATLAB Spesifik Domain

• Rekayasa keuangan dengan MATLAB: optimisasi portofolio, analisis risiko, simulasi Monte Carlo, dan penentuan harga opsi (Black-Scholes)
• Pemrosesan sinyal biomedis: filtering sinyal ECG/EEG, ekstraksi fitur, dan visualisasi
• Simulasi teknik: pemodelan sistem mekanik, listrik, dan termal
• Analisis statistik dan pengujian hipotesis untuk riset dan jaminan kualitas

8.2 Proyek Capstone: Solusi MATLAB End-to-End

• Skenario dunia nyata lengkap: mengimpor data sensor atau eksperimental, membersihkan dan menganalisisnya, membangun model prediktif, dan menghasilkan aplikasi dasbor interaktif
• Menerapkan solusi berbasis kelas MATLAB untuk domain masalah
• Membuat model Simulink dari sistem yang dipelajari
• Menerapkan deep learning untuk pengenalan pola pada dataset
• Menghasilkan laporan teknis komprehensif dari Skrip Langsung
• Mendokumentasikan alur kerja dan men-deploy solusi ke lingkungan mirip produksi

8.3 Praktik Pengembangan MATLAB Profesional

• Standar koding: panduan gaya MATLAB (penamaan, pemformatan, konvensi komentar)
• Membangun dan mendokumentasikan toolbox MATLAB untuk penggunaan ulang tim
• Mengelola proyek MATLAB besar: organisasi folder, dependensi, dan CI/CD

Kompetensi yang Sesuai dengan Pasar: Pengiriman Solusi Capstone, Rekayasa Keuangan dan Analisis Kuantitatif, Pemrosesan Sinyal Biomedis, Analisis Risiko Portofolio, Simulasi Monte Carlo, Penentuan Harga Opsi, Pengujian Hipotesis Statistik, Pengembangan Aplikasi MATLAB, Standar Koding MATLAB, Dokumentasi dan Pelaporan Teknis, Arsitektur MATLAB Profesional, Simulasi dan Pemodelan Teknik, Keuangan Komputasi, Analitik Jaminan Kualitas, Manajemen Alat dan Alur Kerja MATLAB, Kolaborasi dan Tata Kelola Tim MATLAB, Analitik Data Enterprise