Teknik Telekomunikasi · ITERA

Instruktur:Martin C.T. Manullang

Workshop Deep Learning untuk Telekomunikasi

Dari neuron tunggal sampai model deteksi intrusi jaringan — dua sesi, fokus hands-on.

Tanggal

28 Sep – 7 Okt 2026

Waktu

15.45 – 17.30 WIB

Lokasi

GK2 102 (RB) & GK2 116 (RA)

Format

2 × 105 menit

Jadwal Kelas (RA & RB)15.45 – 17.30 WIB

Kelas RBRuang GK2 102

Sesi 1:Senin, 28 September 2026

Sesi 2:Senin, 5 Oktober 2026

Kelas RARuang GK2 116

Sesi 1:Rabu, 30 September 2026

Sesi 2:Rabu, 7 Oktober 2026

Slide Sesi 1 Kode Pipeline Panduan Setup Repo Hands-on

model: mlp · 122-64-32-1 forward backward

sesi

framework

PyTorch

env

01 / Materi

Dua sesi, dua kasus nyata

Tiap sesi dibuka dengan konsep secukupnya, lalu langsung dipraktikkan di notebook pada data jaringan sungguhan.

Sesi 1Materi tersedia105 menit

Artificial Neural Network

Struktur, fungsi aktivasi, feed forward & backpropagation

Jadwal Sesi 1 per Kelas

Kelas RBSenin, 28 September 2026

15.45 – 17.30 WIBRuang GK2 102

Kelas RARabu, 30 September 2026

15.45 – 17.30 WIBRuang GK2 116

Studi kasus telekomunikasi

Deteksi Intrusi Jaringan (NSL-KDD)

Setiap koneksi jaringan (41 fitur) diklasifikasikan sebagai normal atau serangan (DoS, Probe, R2L, U2R) memakai MLP 122-64-32-1 di PyTorch.

Topik

01Motivasi: AI di dunia telekomunikasi
02Struktur ANN: neuron, bobot, bias, lapisan
03Fungsi aktivasi: sigmoid, tanh, ReLU, softmax
04Feed forward & loss function (MSE, BCE)
05Backpropagation & gradient descent
06Studi kasus: deteksi intrusi dengan NSL-KDD

Setelah sesi ini, kamu mampu

Menjelaskan struktur ANN: neuron, bobot, bias, dan lapisan.
Membedakan fungsi aktivasi dan memilihnya sesuai kebutuhan.
Menghitung feed forward dan memahami intuisi backpropagation.
Membangun & melatih ANN dengan PyTorch untuk deteksi intrusi jaringan.

Materi

SlideSlide Sesi 1 — Artificial Neural NetworkPDF, 57 slide NotebookNotebook Konsep ANNNeuron → backprop → MLP, tanpa dataset Kode .pyPipeline Training NSL-KDDtrain.py + 7 modul — versi lengkap DatasetNSL-KDD DatasetCanadian Institute for Cybersecurity, UNB

Sesi 2Segera105 menit

RNN & LSTM

Model sekuensial untuk data deret waktu

Jadwal Sesi 2 per Kelas

Kelas RBSenin, 5 Oktober 2026

15.45 – 17.30 WIBRuang GK2 102

Kelas RARabu, 7 Oktober 2026

15.45 – 17.30 WIBRuang GK2 116

Studi kasus telekomunikasi

Prediksi Trafik Jaringan

Meramal beban trafik sel/BTS dari pola historis (time series forecasting) memakai LSTM di PyTorch.

Topik

01Keterbatasan ANN untuk data berurutan
02Recurrent Neural Network (RNN)
03Long Short-Term Memory (LSTM)
04Windowing data deret waktu
05Studi kasus: prediksi trafik jaringan

Setelah sesi ini, kamu mampu

Menjelaskan mengapa data berurutan butuh model bermemori.
Memahami struktur sel RNN dan gerbang pada LSTM.
Menyiapkan data deret waktu dengan teknik windowing.
Membangun & melatih LSTM untuk prediksi trafik jaringan.

Materi

Slide · segeraSlide Sesi 2 — RNN & LSTM

Notebook · segeraNotebook Hands-on Sesi 2

02 / Persiapan

Siapkan laptopmu dengan uv

Semua peserta memakai lingkungan Python yang identik lewat uv — tidak perlu instal pip, venv, atau conda terpisah. Cukup empat langkah.

1
Instal uv
uv mengelola versi Python, virtual environment, dan paket sekaligus. Cukup sekali per laptop.
```
$ curl -LsSf https://astral.sh/uv/install.sh | sh
```
2
Unduh repo workshop
Clone repo hands-on dari GitHub, lalu masuk ke foldernya. Tanpa git? Unduh ZIP dari halaman repo.
```
$ git clone https://github.com/mctosima/dl-workshop.git$ cd dl-workshop
```
3
Instal dependensi
Membuat .venv dan memasang PyTorch, pandas, scikit-learn, dan JupyterLab dengan versi yang sama untuk semua peserta.
```
$ uv sync
```
4
Jalankan materi
Buka notebook konsep di browser, lalu jalankan pipeline training dari terminal.
```
$ uv run jupyter lab$ uv run python sesi-1-ann/train.py
```