Pemateri
Muhammad Wahyu Ramadhan
Geospatial Data Scientist, WRI IndonesiaGeospatial Data Scientist, WRI Indonesia
Deskripsi
- Hari 1 : Pengenalan GeoAI dan Implementasinya dalam Estimasi Produksi Sawit
- Hari 2 : Pre-Processing: Transformasi, Feature Extraction, dan Harmonisasi
- Hari 3 : Membangun dan Mengevaluasi Model GeoAI Estimasi Produksi Sawit
Sesi bootcamp
1
Pengenalan GeoAI dan Implementasinya dalam Estimasi Produksi Sawit
Teori Dasar Penginderaan Jauh Pengenalan Python Penjelasan Mengenai Pembuatan Model GeoAI Praktik Dasar-Dasar Python
2
Pre-Processing: Transformasi, Feature Extraction, dan Harmonisasi
Preprocessing Data Citra Satelit Feature Extraction Harmonisasi Dataset Penyusunan Dataset Training & Testing
3
Membangun dan Mengevaluasi Model GeoAI Estimasi Produksi Sawit
Model Devopment Evaluasi Model GeoAI Model Inference dan Post-Processing Analisis Statistik & Interpretasi Hasil Menarik Insight dari interpretasi hasil...
Konten
Day 1 : Pengenalan GeoAI dan Implementasinya dalam Estimasi Produksi Sawit
Day 2 : Pre-Processing: Transformasi, Feature Extraction, dan Harmonisasi
Silabus
01
Pengenalan GeoAI dan Implementasinya dalam Estimasi Produksi Sawit
1. Teori Dasar Penginderaan Jauh : Membahas prinsip dasar penginderaan jauh, komponen-komponennya, serta fungsi dan pemanfaatannya dalam konteks pemantauan lahan secara umum 2. Pengenalan Python : Menjelaskan mengenai bahasa pemrograman Python, mengenalkan Integrated Development Environment (IDE) yang digunakan dalam pelatihan (Google Colab, dan library-library Python yang berkaitan) 3. Pembuatan Model GeoAI : Menjelaskan tentang alur kerja pemrosesan secara keseluruhan dalam mengembangkan model GeoAI yang digunakan dalam estimasi produksi sawit 4. Praktik Dasar-Dasar Python : Melakukan praktik untuk mengenal beberapa fundamental bahasa pemrograman Python; 1. Setup environment di Google Colab, 2. Perintah-perintah dasar, 3. Mengakses dan menampilkan data geospasial menggunakan Python...
02
Pre-Processing: Transformasi, Feature Extraction, dan Harmonisasi
1. Preprocessing data citra satelit : Mengakses dataset-dataset citra yang diperlukan menggunakan API Google Earth Engine (Sentinel-2, Sentinel-1, CHIRPS, Soil Moisture Active Passive (SMAP) 2. Feature Extraction : Feature Extraction: Ekstraksi berbagai indeks spektral dari citra Sentinel-2 3. Harmonisasi Dataset : Harmonisasi dataset (raster resample & band stacking) untuk membuat data cube dan ekspor ke Google Drive 4. Penyusunan Dataset Training & Testing : Menyiapkan sampel dari data produksi sawit, ekstraksi nilai piksel dari data cube, membuat dataset training dan testing untuk model...
03
Membangun dan Mengevaluasi Model GeoAI Estimasi Produksi Sawit
1. Model Devopment : Hyperparameter tuning dan training model 2. Evaluasi Model GeoAI : Evaluasi performa model menggunakan feature importance, dan metrik evaluasi (rmse, mae, mse, r2) 3. Model Inference dan Post-Processing : Menerapkan model ke citra (data cube) untuk melakukan estimasi produksi sawit 4. Analisis Statistik & Interpretasi Hasil : Melakukan analisis zonal statistik untuk menilai kemampuan produksi kebun sawit 5. Menarik Insight dari interpretasi hasil : Kesimpulan dan potensi pengembangan model GeoAI ke tahap berikutnya...