Pemateri
Rifky Nauval Hendrawan
Remote Sensing specialist | Environmental Modelling | Forestry and Sustainability EnthusiastRemote Sensing specialist | Environmental Modelling | Forestry and Sustainability Enthusiast
Rafli Ortega Jaya
GIS Analyst | Remote Sensing Analyst | Data AnalystGIS Analyst | Remote Sensing Analyst | Data Analyst
Deskripsi
Topic 1 : Akselerasi Konservasi dengan GeoAI: Pemetaan Prediktif dan Analisis Dinamika Ekosistem Mangrove
- Hari 1 : Inisiasi Data Stream: Akuisisi dan Analisis Spektral Fundamental
- Hari 2 : Membangun Mesin Prediktif: Klasifikasi Ensemble dan Optimasi Model
- Hari 3 : Sintesis Insight: Analisis Dinamika Temporal dan Visualisasi Aksi
Topic 2 : Analisis Lokasi Bisnis dengan GeoAI: Studi Kasus Coffee Shop
- Hari 4 : Pengenalan GeoAI dan Akuisisi Data
- Hari 5 : Analisis Potensi Lokasi Coffee Shop Menggunakan Algoritma Random Forest dan SHAP
Sesi bootcamp
1
Day 1 : Inisiasi Data Stream: Akuisisi dan Analisis Spektral Fundamental
1. Pengenalan Platform dan Data 2. Analisis Spektral Dasar di GEE 3. Ekspor Data dari GEE ke Excel
2
Day 2 : Membangun Mesin Prediktif: Klasifikasi Ensemble dan Optimasi Model
1. Persiapan Klasifikasi Terawasi 2. Feature Extraction & Engineering 3. Pemodelan dengan Model Ensemble 4. Hyperparameter Tuning & Evaluasi Akhir 5. Klasifikasi Final dan Ekspor Hasil...
3
Day 3 : Sintesis Insight: Analisis Dinamika Temporal dan Visualisasi Aksi
1. Visualisasi Data di Excel 2. Analisis Temporal Sederhana 3. Menarik Insight dari Data 4. Studi Kasus dan Penutup
4
Day 4 : Pengenalan GeoAI dan Akuisisi Data
1. Pengantar GeoAI & Potensi 2. Pengantar Bahasa Python untuk GeoAI 3. Jenis dan Format Data Spasial 4. Penjelasan Sumber Data 5. Konsep Feature Engineering Geospasial...
5
Day 5 : Analisis Potensi Lokasi Coffee Shop Menggunakan Algoritma Random Forest dan SHAP
1. Review Pertemuan Sebelumnya 2. Praktik Feature Engineering Geospasial 3. Pembuatan Model Random Forest 4. Evaluasi Model Random Forest 5. Penerapan Algoritma SHAP 6. Pembobotan 7. Analisis Potensi Lokasi...
Konten
Topic 1 : Akselerasi Konservasi dengan GeoAI: Pemetaan Prediktif dan Analisis Dinamika Ekosistem Mangrove
Silabus
01
Topic 1 : Akselerasi Konservasi dengan GeoAI: Pemetaan Prediktif dan Analisis Dinamika Ekosistem Mangrove
Hari 1 - Inisiasi Data Stream: Akuisisi dan Analisis Spektral Fundamental : (1) Pengenalan Platform dan Data : - Konsep dasar penginderaan jauh & GeoAI. - Pengenalan antarmuka Google Earth Engine (Code Editor, Console, Inspector). - Mencari, memfilter, dan memvisualisasikan koleksi data citra (contoh: Sentinel-2). (2) Analisis Spektral Dasar di GEE : - Penjelasan konsep band dan indeks spektral. - Praktik membuat fungsi untuk menghitung NDVI & NDWI. - Visualisasi hasil indeks dengan palet warna untuk identifikasi awal vegetasi dan air (3)Ekspor Data dari GEE ke Excel : - Pengenalan cara mengekspor data dari GEE. - Praktik mengekspor statistik dasar (rata-rata, min, maks) dari indeks spektral pada area tertentu (Region of Interest). - Membuka dan merapikan data hasil ekspor di Excel. Hari 2 : Membangun Mesin Prediktif: Klasifikasi Ensemble dan Optimasi Model (1)Persiapan Klasifikasi Terawasi - Teori klasifikasi terawasi (supervised classification). - Membuat geometri (poin/poligon) sebagai sampel data training di GEE untuk kelas: Mangrove, Air, Daratan, dll. (2)Feature Extraction & Engineering - Ekstraksi Fitur Spektral: Menggabungkan band asli dan berbagai indeks (NDVI, NDWI, MNDWI) sebagai prediktor. - Ekstraksi Fitur Tekstural: Penjelasan dan praktik menghitung tekstur GLCM (misal: kontras, entropi) untuk memperkaya data. (3)Pemodelan dengan Model Ensemble - Penjelasan konsep model ensemble dan keunggulannya (contoh: Random Forest). - Praktik melatih model Random Forest dengan fitur yang telah dibuat. - Evaluasi awal akurasi model. - Menggabungkan beberapa model menjadi satu (ensemble) untuk akurasi yang lebih baik (4)Hyperparameter Tuning & Evaluasi Akhir - Penjelasan konsep hyperparameter tuning untuk optimasi model. - Praktik mencari parameter terbaik (misal: jumlah pohon, kedalaman pohon). - Melatih ulang model dengan parameter terbaik dan melakukan evaluasi akurasi akhir. (5)Klasifikasi Final dan Ekspor Hasil - Mengaplikasikan model yang sudah di-tuning ke seluruh area studi. - Menghitung luas area untuk setiap kelas. - Mengekspor peta klasifikasi dan tabel rekapitulasi luas. Hari 3 : Sintesis Insight: Analisis Dinamika Temporal dan Visualisasi Aksi (1) Visualisasi Data di Excel - Mengimpor data rekapitulasi luas dari GEE ke Excel. - Membuat visualisasi data: Diagram lingkaran (pie chart) untuk proporsi tutupan lahan, diagram batang (bar chart) untuk perbandingan luas. (2) Analisis Temporal Sederhana - Mengulangi proses (klasifikasi & hitung luas) di GEE untuk data tahun yang berbeda (misal: 5 tahun lalu) - Mengekspor data luas historis ke Excel. - Menggabungkan data sekarang dan data historis dalam satu tabel. (3) Menarik Insight dari Data - Menghitung perubahan: Laju deforestasi/pertumbuhan mangrove (persentase & luas). - Membuat grafik garis (line chart) untuk menunjukkan tren perubahan dari waktu ke waktu. - Merumuskan insight: ""Terjadi penurunan/kenaikan luas mangrove sebesar X% dari tahun A ke B"". (4) Studi Kasus dan Penutup - Diskusi: Bagaimana insight ini dapat digunakan untuk perencanaan restorasi atau kebijakan? - Sesi tanya jawab akhir dan penutupan pelatihan. ...
02
Topic 2 : Analisis Lokasi Bisnis dengan GeoAI: Studi Kasus Coffee Shop
Hari 4 : Pengenalan GeoAI dan Akuisisi Data (1) Pengantar GeoAI & Potensi : Menjelaskan konsep, tujuan, dan potensi GeoAI untuk menentukan lokasi bisnis yang optimal (2) Pengantar Bahasa Python untuk GeoAI : Penjelasan umum Python untuk GeoAI dan pustaka (library) Python utama untuk GeoAI (3) Jenis dan Format Data Spasial : Mengenal jenis data spasial (vektor dan raster) (4) Penjelasan Sumber Data : Penjelasan penggunaan data dan penelusuran data secara online (5 )Konsep Feature Engineering Geospasial : Penjelasan Konsep Feature Engineering Geospasial (Pre-Processing s.d. Processing Data) Hari 5 : Analisis Potensi Lokasi Coffee Shop Menggunakan Algoritma Random Forest dan SHAP (1) Praktik Feature Engineering Geospasial : Proses mengubah data peta mentah (seperti titik lokasi, garis jalan, dan area poligon) menjadi fitur-fitur numerik (2) Pembuatan Model Random Forest : Melatih model Random Forest menggunakan data fitur yang telah dibuat untuk mempelajari pola dan memprediksi potensi lokasi. (3) Evaluasi Model Random Forest : Mengukur akurasi dan performa model pada data uji untuk memastikan keandalannya sebelum digunakan untuk prediksi. (4) Penerapan Algoritma SHAP : Menggunakan SHAP untuk 'menerjemahkan' hasil model, mengidentifikasi faktor-faktor penentu fitur utama (5) Pembobotan : Identifikasi Feature Importance dan pemanfaatan nilai hasil skor dan algoritma SHAP untuk pembobotan (6) Analisis Potensi Lokasi : Menghasilkan peta visualisasi dan analisis rekomendasi lokasi terbaik berdasarkan hasil model dan pembobotan ...
Frequently Asked Question
Apa itu GeoAI?
GeoAI (Geospatial Artificial Intelligence) adalah penerapan teknologi kecerdasan buatan pada data spasial untuk menghasilkan analisis yang lebih cepat, akurat, dan efisien dalam pengambilan keputusan berbasis lokasi.
Apakah materi ini cocok untuk pemula?
Ya, Materi disusun mulai dari konsep dasar hingga studi kasus terapan sehingga dapat diikuti oleh pemula maupun profesional.
Apa perbedaan pelatihan ini dengan pelatihan GIS biasa?
Pelatihan ini menggabungkan GIS, Remote Sensing, dan AI (Machine Learning) untuk menghasilkan prediksi, klasifikasi, dan insight yang lebih mendalam dibanding GIS konvensional.
Apakah saya perlu Menginstall software tertentu?
Peserta hanya perlu mempersiapkan laptop dengan koneksi internet yang stabil. Semua software yang digunakan bersifat gratis atau berbasis cloud.
Apa hasil akhir yang akan saya peroleh dari pelatihan ini?
Peserta akan memahami alur lengkap mulai dari mengambil data satelit, menganalisis spektral, membangun model AI (Machine Learning) untuk klasifikasi, hingga menarik insight strategis dari data tersebut.
Jika saya berhalangan hadir, apakah tetap bisa mengakses materi?
Ya! Semua peserta akan mendapatkan akses penuh ke rekaman sesi, materi, data latihan, grup untuk diskusi sehingga peserta tetap bisa mengikuti pelatihan secara mandiri.
Manfaat yang didapat
Kemampuan Teknis Baru
Menguasai GEE, mengolah data spasial dengan Python & GeoAI, membangun model Machine Learning (Random Forest, Ensemble) dan interpretasi dengan SHAP
Portofolio Proyek Nyata
- Peta klasifikasi mangrove + analisis perubahan. - Peta rekomendasi lokasi optimal Coffee Shop.
Pemahaman Mendalam
- Alur kerja dari akuisisi data, pemrosesan, analisis, hingga interpretasi hasil. - Teknik analisis temporal dan monitoring perubahan lingkungan. - Prinsip-prinsip AI untuk analisis spasial yang dapat diterapkan di berbagai sektor. ...
Profesi Terkait
- Data Analyst Spasial - GIS Specialist - Remote Sensing Analyst - GeoAI Engineer / Spatial Data Scientist - Environmental Consultant - Urban & Regional Planner ...