Semua panduan

Guidebook resmi

Guidebook Machine Learning DICE Fest 2026

Dokumen ini memuat seluruh ketentuan cabang Machine Learning DICE FEST 2026, mulai dari persyaratan administrasi, jadwal tahapan, biaya pendaftaran, spesifikasi studi kasus, hingga bobot penilaian babak final. Isinya disusun dari guidebook resmi panitia tanpa menambah atau mengurangi ketentuan yang berlaku.

Untuk: Mahasiswa aktif jenjang S1/D3 dari perguruan tinggi mana pun, baik sebagai individu maupun tim berisi maksimal tiga orang dari universitas yang sama.

01Deskripsi kegiatan

DICE FEST (Data Insight Competition Festival) 2026 merupakan kompetisi yang diselenggarakan oleh Himpunan Mahasiswa Program Studi Sains Data Fakultas Sains dan Teknologi UIN Raden Mas Said Surakarta. Kegiatan ini hadir sebagai wadah bagi mahasiswa untuk mengasah kemampuan berpikir kritis, analitis, dan kreatif dalam memahami peran data science di tengah pesatnya perkembangan era digital.

Mengusung tema “Building Smart, Secure, and Sustainable Digital Ecosystems”, DICE FEST 2026 mengajak peserta menumbuhkan kesadaran akan pentingnya keamanan digital sekaligus mendorong lahirnya generasi muda yang mampu memanfaatkan data dan teknologi secara bijak dan bertanggung jawab. Melalui kegiatan ini, peserta diharapkan mampu mengembangkan kemampuan analitis dan teknis dalam menerapkan Machine Learning untuk menyelesaikan permasalahan berbasis data secara efektif, inovatif, dan bertanggung jawab.

02Tujuan

Tujuan penyelenggaraan lomba cabang Machine Learning adalah sebagai berikut.

  1. Meningkatkan pengetahuan dan keterampilan peserta dalam menerapkan konsep Machine Learning untuk menyelesaikan permasalahan berbasis data secara efektif dan inovatif.
  2. Mendorong kemampuan berpikir kritis, analitis, dan kreatif peserta dalam mengembangkan solusi berbasis Data Science, Artificial Intelligence, dan Cyber Security.
  3. Menjadi wadah bagi peserta untuk mengembangkan kompetensi di bidang sains data melalui kompetisi yang kompetitif, edukatif, dan aplikatif.
  4. Mendorong lahirnya inovasi dan solusi berbasis data yang mendukung terwujudnya ekosistem digital yang cerdas, aman, dan berkelanjutan.

03Persyaratan peserta

  1. Peserta merupakan mahasiswa/i, dibuktikan dengan melampirkan kartu tanda mahasiswa.
  2. Peserta dapat mendaftar secara individu atau kelompok, dengan jumlah maksimal 3 orang dari universitas yang sama.
  3. Nama tim maksimal terdiri dari dua kata dan tidak mengandung unsur SARA.
  4. Tim yang telah terdaftar tidak diperbolehkan mengganti atau menukar anggota tim hingga tahap akhir kompetisi.
  5. Peserta yang terbukti melakukan kecurangan akan didiskualifikasi.
  6. Peserta wajib mematuhi seluruh peraturan dan jadwal lomba yang telah ditetapkan.
  7. Finalis wajib hadir secara online untuk melakukan presentasi karya pada waktu yang telah ditentukan.
  8. Keputusan juri bersifat final, mutlak, dan tidak dapat diganggu gugat.
  9. Dengan mengirimkan karya, peserta setuju dengan seluruh syarat dan ketentuan lomba.
  10. Peserta yang mengundurkan diri tidak akan mendapat pengembalian uang pendaftaran.
  11. Peraturan dan ketentuan tambahan kompetisi dapat berubah sewaktu-waktu dengan pemberitahuan resmi dari panitia kepada seluruh peserta.

04Biaya dan alur pendaftaran

Pendaftaran dan pembayaran hanya dilakukan oleh ketua tim pada waktu yang telah ditentukan, yaitu melalui portal daring dicefest.web.id. Biaya pendaftaran bergantung pada gelombang yang Anda ikuti:

Biaya pendaftaran cabang Machine Learning per gelombang
GelombangPeriode pendaftaranBiaya per tim
Early Bird15 – 30 September 2026Rp50.000,00
Reguler1 – 11 Oktober 2026Rp60.000,00

Setelah biaya dibayarkan, seluruh rangkaian berikut wajib dituntaskan sebelum tenggat pengumpulan.

  1. Setiap peserta melakukan pembayaran pendaftaran sesuai gelombang yang dipilih.
  2. Seluruh anggota tim wajib mengunggah pamflet lomba di story Instagram pada akun pribadi masing-masing, dan akun tersebut harus bersifat publik.
  3. Seluruh anggota tim wajib mengunggah twibbon di feed Instagram pada akun pribadi masing-masing, akun harus publik, serta menyebut akun @dice.fest dan @sainsdata.uinsurakarta.
  4. Seluruh anggota tim wajib mengikuti (follow) akun Instagram @dice.fest dan @sainsdata.uinsurakarta.
  5. Dokumen wajib diunggah dan memuat data seluruh anggota tim, dikemas dalam tiga berkas terpisah dengan penamaan berikut.
    • Pindai kartu tanda mahasiswa: KartuTandaMahasiswa_ML_NamaTim.pdf
    • Bukti unggahan twibbon dan poster lomba di story Instagram: BuktiUpload_ML_NamaTim.pdf
    • Bukti mengikuti akun Instagram resmi: BuktiFollow_ML_NamaTim.pdf
  6. Seluruh dokumen pendaftaran diunggah melalui portal yang tersedia, bukan dikirim melalui surel atau pesan pribadi.
  7. Setelah melakukan pendaftaran, ketua tim wajib melakukan konfirmasi pendaftaran sekaligus menyertakan bukti pembayaran melalui narahubung dengan format pesan: DICEFEST26_ML_Nama Tim_Universitas.
  8. Ketua tim yang telah lolos verifikasi administrasi akan diundang ke Grup WhatsApp Resmi DICE FEST 2026 oleh panitia.
  9. Peserta yang tidak melengkapi persyaratan administrasi akan dinyatakan gugur.

Unggahan media sosial memakai akun pribadi

Pamflet, twibbon, dan bukti mengikuti akun resmi diunggah dari akun Instagram pribadi setiap anggota tim yang bersangkutan, bukan dari satu akun perwakilan. Akun yang dipakai harus publik agar dapat diperiksa panitia.

05Timeline kegiatan

Seluruh tenggat di bawah ini menggunakan Waktu Indonesia Barat (WIB). Penutupan pendaftaran dan pengumpulan berkas dilakukan otomatis oleh sistem pada pukul 23.59 WIB.

Timeline kegiatan cabang Machine Learning DICE FEST 2026
Tahapan kegiatanJadwal pelaksanaanDeskripsi kegiatan
Pendaftaran Gelombang Early Bird15 September – 30 September 2026Masa pendaftaran tahap awal.
Pendaftaran Gelombang Reguler1 Oktober – 11 Oktober 2026Masa pendaftaran tahap reguler.
Penutupan Pendaftaran Resmi11 Oktober 2026 (Pukul 23.59 WIB)Akses formulir pendaftaran ditutup secara otomatis oleh sistem.
Pertemuan Teknis (Technical Meeting) & Rilis Dataset12 Oktober 2026Penyampaian alur perlombaan dan publikasi resmi dataset Kaggle.
Babak Penyisihan (Kompetisi Kaggle)12 Oktober – 23 Oktober 2026Periode pengerjaan studi kasus dan pengiriman hasil prediksi pada platform Kaggle.
Batas Penutupan Submisi Kaggle23 Oktober 2026 (Pukul 23.59 WIB)Penutupan pengunggahan file prediksi .csv pada platform Kaggle.
Batas Pengunggahan Berkas Form Web23 Oktober 2026 (Pukul 23.59 WIB)Pengumpulan berkas PDF Writeups dan Jupyter Notebook melalui website (seluruh peserta).
Publikasi Ringkasan Forum Kaggle (Top 20)25 Oktober 2026 (Pukul 23.59 WIB)Publikasi utas ringkasan metode pemodelan pada Forum Diskusi Kaggle, khusus 20 tim teratas, setelah penutupan submisi Kaggle.
Penjurian Penyisihan & Verifikasi Kode24 Oktober 2026Verifikasi keabsahan kode, kebersihan arsitektur, dan reproducibility notebook.
Pengumuman Resmi Top 10 Finalis25 Oktober 2026Publikasi resmi 10 tim finalis pada kanal Instagram dan website resmi.
Taklimat Finalis (TM Final)25 Oktober 2026Gladi teknis ruang presentasi Zoom dan pengundian urutan tampil finalis.
Konfirmasi Finalis & Unggah PPT26 Oktober – 29 Oktober 2026Pengumpulan file slide presentasi (PDF/PPT) oleh tim finalis.
Babak Presentasi Final (Daring)30 Oktober 2026Sesi pemaparan presentasi (10 menit) dan tanya jawab (10 menit) bersama Dewan Juri.
Puncak Acara & Pengumuman Juara31 Oktober 2026Upacara penutupan (Closing Ceremony) dan pengumuman Juara 1, 2, dan 3.

06Spesifikasi studi kasus dan target prediksi

Studi kasus Machine Learning mengharuskan peserta membangun arsitektur pemodelan Multi-Output Regression pada dataset spasial efisiensi energi perkotaan resmi yang disediakan panitia. Model tersebut harus memprediksi lima variabel Target Kebijakan Publik Energi secara simultan:

  1. target_1 — Indikator Total Konsumsi Gas Fosil Tahunan Lingkungan (kWh).
  2. target_2 — Indikator Total Konsumsi Listrik Tahunan Lingkungan (kWh).
  3. target_3 — Indikator Proporsi Bangunan Pemukiman Berbasis Energi Bersih (%).
  4. target_4 — Indikator Intensitas Penggunaan Energi Gas per Luas Lantai (kWh/m²).
  5. target_5 — Indikator Proporsi Hunian Berpemanas Listrik Murni (%).

Peringkat diukur berdasarkan metrik Column-wise Root Mean Squared Error (Column-wise RMSE) yang dihitung secara merata dari kelima target tersebut.

Rumus metrik

Persamaan lengkap Column-wise RMSE disertakan panitia pada dokumen PDF guidebook asli. Pada halaman ini yang perlu dipegang peserta adalah nama metrik dan cara perhitungannya: satu nilai tunggal dari kelima target, dihitung merata, dan dinilai pada papan peringkat Kaggle.

07Format kompetisi dan batasan submisi

Platform pengerjaan

Pengembangan dan eksekusi pemodelan bebas dilakukan di platform pilihan peserta, misalnya Kaggle Notebook, Google Colab, Modal.com, ataupun lingkungan komputer lokal. Hasil prediksi berupa berkas .csv diunggah pada platform Kaggle Competition, sedangkan berkas naskah Jupyter Notebook (.ipynb) yang teruji dapat dijalankan ulang (reproducible) diunggah pada portal resmi.

Batasan kuota submisi prediksi

Setiap tim dialokasikan kuota pengiriman berkas prediksi (.csv) maksimal 5 kali submisi per hari pada platform Kaggle.

Kewajiban penguncian random seed

Seluruh naskah kode pemodelan wajib menetapkan dan menyertakan nilai penguncian acak (random seed atau random_state) yang konsisten pada setiap tahap algoritma, sehingga proses pemodelan dapat direproduksi semaksimal mungkin ketika diverifikasi oleh Dewan Juri.

08Perangkat lunak, algoritma, dan layanan API

Metode dan alat pemodelan yang diperkenankan

  1. Pustaka kode terbuka (open-source): penggunaan pustaka standar seperti Scikit-learn, LightGBM, XGBoost, CatBoost, PyTorch, dan TensorFlow.
  2. Kerangka kerja AutoML: penggunaan alat otomatisasi seperti Optuna, Auto-Sklearn, FLAML, TPOT, dan H2O untuk pengoptimalan hyperparameter.
  3. Model pra-latih berbobot terbuka (open-weight models), misalnya model dari Hugging Face, yang dieksekusi secara bebas di platform pilihan peserta.

Ketentuan batasan pemodelan

Empat batasan berikut berlaku untuk seluruh peserta.

  1. Penggunaan API model berbayar atau tertutup, seperti OpenAI GPT-4/3.5 API, Anthropic Claude API, atau Google Gemini API, tidak diperkenankan untuk menghasilkan nilai prediksi akhir.
  2. Model tabular cloud tertutup yang memerlukan pengiriman data ke server API eksternal, misalnya TabPFN API tertutup, tidak diperkenankan.
  3. Seluruh pemodelan wajib menggunakan dataset resmi yang disediakan panitia tanpa menyuntikkan data tambahan dari luar.
  4. Pelabelan manual dan teknik pseudo-labeling untuk mengubah nilai prediksi tidak diperkenankan.

09Panduan penyusunan writeups

Peserta mengompilasi berkas writeups berformat PDF tanpa batasan jumlah halaman, lalu mengunggahnya pada portal resmi. Naskah tersebut sekurang-kurangnya memuat komponen berikut.

  1. Pendahuluan dan pemahaman studi kasus: analisis latar belakang serta pemahaman tim terhadap masalah spasial-tabular efisiensi energi.
  2. Eksplorasi data dan rekayasa fitur domain (feature engineering): penjelasan variabel turunan fisik atau spasial baru yang dibuat beserta hipotesis relevansinya.
  3. Arsitektur pemodelan multi-output dan validasi: perancangan skema validasi data, misalnya K-Fold atau Spatial GroupKFold, dan perbandingan performa algoritma.
  4. Analisis interpretabilitas model: ekstraksi wawasan pemodelan menggunakan metode seperti SHAP Values atau Feature Importance.
  5. Rekomendasi kebijakan publik aksionabel: penerjemahan luaran model menjadi rekomendasi strategi dekarbonisasi yang konkret bagi pemerintah dan industri utilitas.

10Babak penyisihan dan ketentuan publikasi Top 20

Sistem evaluasi Kaggle

Peringkat babak penyisihan diukur secara transparan berdasarkan metrik Column-wise Root Mean Squared Error (RMSE) pada 100% Private Leaderboard platform Kaggle.

Prosedur pengumpulan berkas karya

Seluruh peserta mengunggah berkas prediksi .csv pada platform Kaggle sebelum 23 Oktober 2026 pukul 23.59 WIB, serta mengunggah PDF writeups dan Jupyter Notebook (.ipynb) melalui portal resmi dicefest.web.id paling lambat pada 23 Oktober 2026 pukul 23.59 WIB.

Format nama naskah
[NamaTim]_Writeups.pdf
Format notebook
[NamaTim]_Notebook.ipynb

Publikasi utas forum Kaggle (khusus 20 tim teratas)

Khusus 20 tim teratas (Top 20) pada peringkat Private Leaderboard, peserta diwajibkan mempublikasikan ringkasan metode pemodelan dalam bentuk utas (solution writeups) pada Kaggle Discussion Forum paling lambat 25 Oktober 2026 pukul 23.59 WIB.

Utas publikasi forum ini cukup mencakup komponen teknis utama hingga arsitektur pemodelan dan hasil validasi (poin 1 sampai 3 pada bagian panduan penyusunan writeups). Komponen rekomendasi kebijakan publik aksionabel tidak perlu dicantumkan pada forum publik guna menjaga kerahasiaan ide dan keunggulan strategi tim untuk babak final. Publikasi utas ini menjadi salah satu syarat penentu kelolosan menuju babak final.

Penetapan finalis

Sebanyak 10 tim terbaik yang memenuhi kualifikasi penilaian leaderboard, kelengkapan berkas, serta verifikasi kode oleh Dewan Juri akan diumumkan secara resmi sebagai Top 10 Finalis.

Kriteria penilaian babak penyisihan dan bobotnya adalah sebagai berikut.

Kriteria penilaian babak penyisihan cabang Machine Learning
No.KriteriaBobot
1.Skor Private Leaderboard Kaggle100%

11Babak final dan alokasi penilaian

  1. Babak final dilaksanakan secara daring melalui Zoom Meeting pada tanggal 30 Oktober 2026.
  2. Setiap tim finalis diberikan alokasi waktu total 20 menit, terbagi atas 10 menit pemaparan presentasi karya menggunakan slide PDF/PPT dan 10 menit sesi tanya jawab bersama Dewan Juri.
  3. Slide presentasi final wajib diunggah paling lambat 29 Oktober 2026 pukul 23.59 WIB.

Kriteria penilaian babak final dan bobotnya bersifat final, tanpa pembulatan lain selain yang tercantum.

Kriteria penilaian babak final cabang Machine Learning
No.KriteriaKeteranganBobot
1.Rekayasa Fitur Domain & Pre-processing DataKebaruan variabel turunan spasial atau fisik serta keabsahan pemrosesan data.25 poin
2.Arsitektur Model dan Kerapian KodeKebersihan arsitektur pemodelan multi-output dan keterbacaan naskah kode Jupyter Notebook.15 poin
3.Ketajaman Solusi Kebijakan PublikKetajaman rekomendasi berbasis analisis interpretabilitas model (SHAP atau Feature Importance).35 poin
4.Kerapihan Slide dan Performa Sesi Q&AKejelasan visual slide presentasi, ketepatan penyampaian selama 10 menit, dan respons pada sesi tanya jawab.25 poin

12Penghargaan

  • Juara 1: uang pembinaan dan sertifikat.
  • Juara 2: uang pembinaan dan sertifikat.
  • Juara 3: uang pembinaan dan sertifikat.
  • Seluruh peserta yang mengikuti lomba memperoleh e-certificate.

13Kontak resmi

Segala pertanyaan mengenai cabang Machine Learning disampaikan melalui narahubung resmi panitia. Untuk langkah pendaftaran dan pembayaran, buka halaman pendaftaran pada dashboard peserta setelah Anda membuat akun.

Portal resmi
dicefest.web.id
Narahubung Machine Learning
+62 882-3903-1303 (Kak Anjani)
Instagram
@dice.fest