Pemateri
Ardianto
Software Engineer/Instruktur GeosoftwareArdianto (Ardi) adalah profesional (sebagai seorang software engineer) yang memiliki latar belakang di bidang Geofisika dan keahlian dalam pengembangan perangkat lunak. Ardi meraih gelar Master of Geophysical Engineering dari Institut Teknologi Bandung (ITB) dengan IPK 3.97/4.00, setelah sebelumnya menyelesaikan pendidikan Sarjana Geofisika di institusi yang sama. Ardi memiliki pengalaman mengajar yang cukup baik, termasuk sebagai pemateri pelatihan "membangun WebGIS untuk analisis dampak blasting dengan integrasi QGIS dan Python" yang diadakan di PT. Berau Coal pada tahun 2024. Keahliannya tidak hanya terbatas pada pengajaran, tetapi juga dalam penelitian, di mana Ardi telah menjadi penulis paper penelitian di jurnal internasional, termasuk studi penting mengenai fault locking di Jakarta dan tomografi Gunung Agung, Bali.
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman menyeluruh mengenai pemanfaatan machine learning untuk mendukung precision agriculture. Peserta akan mempelajari alur dasar pengolahan data geospasial, mulai dari mempersiapkan lingkungan kerja Python, memahami struktur data raster dan vektor, hingga mengelola citra satelit seperti Sentinel-2 dan DEM untuk menghasilkan variabel-variabel penting dalam analisis pertanian. Materi juga mencakup proses feature engineering, pembuatan data training melalui ekstraksi sampel, serta teknik labeling menggunakan QGIS agar peserta memahami bagaimana data geospasial diolah menjadi dataset yang siap digunakan dalam pemodelan. Tahapan ini memberikan landasan kuat bagi peserta untuk melihat bagaimana integrasi citra satelit dan machine learning dapat digunakan untuk mendukung pengambilan keputusan di sektor pertanian.
Melalui praktik langsung, peserta mempelajari penerapan berbagai algoritma machine learning seperti Ensemble Decision Trees dan Artificial Neural Networks (ANN) untuk memprediksi kondisi lahan, klasifikasi area tanam, atau mendeteksi pola yang relevan bagi pengelolaan pertanian. Peserta akan melakukan hyperparameter tuning, mengevaluasi performa model, dan memvisualisasikan hasil prediksi baik secara kuantitatif maupun spasial. Materi disusun secara bertahap—mulai dari pemrosesan data hingga interpretasi keluaran model—agar peserta memahami alur kerja end-to-end dalam membangun sistem machine learning untuk kebutuhan pertanian presisi. Dengan pendekatan aplikatif ini, pelatihan memastikan peserta mampu mengadaptasi metode yang dipelajari untuk berbagai studi kasus geospasial dalam bidang agrikultur.
Jadwal dan List Materi:
Sesi 1 — Pengenalan Dasar dan Menyiapkan Tools
- Instalasi Python, Jupyter Notebook / Google Colab, dan QGIS
- Pengenalan lingkungan kerja Python untuk analisis data
- Dasar pemrograman Python: sintaks, variabel, tipe data, fungsi, kontrol alur
- Pengenalan dasar data geospasial dan penggunaan GeoPandas
- Membaca, mengeksplorasi, mengolah, dan mengekspor data spasial menggunakan Python
Sesi 2 — Pengolahan Data Geospasial untuk Machine Learning
- Download dan mengelola data Sentinel-2 dan DEM
- Pengolahan data raster dengan Rasterio, NumPy, dan Matplotlib
- Feature engineering: ekstraksi fitur spektral & tekstur untuk ML
- Persiapan data menggunakan QGIS: labeling area sesuai kelas
- Pembuatan dataset ML: ekstraksi titik sampel, pembuatan training/testing split
Sesi 3 — Implementasi Algoritma Machine Learning
- Pemahaman dasar workflow Machine Learning untuk pertanian presisi
- Pengenalan & implementasi Ensembles of Decision Trees
- Pengenalan Artificial Neural Network & arsitektur ANN dasar
- Membangun model ANN di Python untuk prediksi berbasis citra satelit
Sesi 4 — Evaluasi Model dan Visualisasi Hasil
- Hyperparameter tuning untuk Ensemble Decision Trees
- Hyperparameter tuning untuk Artificial Neural Network
- Evaluasi performa model: akurasi, visualisasi hasil prediksi, interpretasi kesalahan
- Perbandingan hasil model secara kuantitatif dan spasial
- Visualisasi hasil di Python dan QGIS
Konten
Pengenalan Dasar dan Menyiapkan Tools
Silabus
01
Silabus
Akses silabus melalui link berikut: https://s.id/MLAgriculture_Silabus
Frequently Asked Question
Apakah pelatihan ini cocok untuk pemula?
Cocok untuk peserta tingkat dasar sampai menengah. Selama memiliki pemahaman dasar tentang Python dan data spasial, peserta dapat mengikuti seluruh materi dengan nyaman karena alur pelatihan disusun bertahap.
Apakah saya harus sudah mahir Python?
Tidak. Pemahaman dasar mengenai variabel, fungsi, dan cara menjalankan notebook sudah cukup. Semua script dijelaskan secara runtut melalui video dan modul.
Apakah harus memiliki pengalaman GIS terlebih dahulu?
Disarankan, tetapi tidak wajib. Pemahaman dasar tentang raster, vektor, atau proyeksi peta membantu peserta memahami pengolahan raster dan feature engineering di sesi kedua.
Dataset apa yang digunakan dalam pelatihan?
Peserta menggunakan citra Sentinel-2, DEM, serta dataset turunan yang dibuat melalui ekstraksi fitur dan labeling di QGIS untuk kebutuhan machine learning.
Apakah peserta mendapat sertifikat?
Peserta yang menyelesaikan Mini Project sesuai ketentuan akan mendapat Certificate of Appreciation sebagai bukti pencapaian.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Pemahaman Dasar Geospasial dan Citra Satelit: Peserta diharapkan memahami konsep dasar pemetaan seperti sistem koordinat, proyeksi, raster–vektor, serta cara membaca citra satelit (misalnya Sentinel-2 dan DEM). Pemahaman ini penting untuk mengikuti proses pengolahan raster, pembuatan fitur, dan interpretasi hasil model sebagaimana tercantum pada materi Sesi 2 dan 3 dalam silabus. 2. Kemampuan Dasar Pemrograman Python: Karena pelatihan menggunakan Python untuk membaca data geospasial, melakukan feature engineering, hingga menjalankan model machine learning, peserta sebaiknya memahami konsep dasar Python seperti variabel, fungsi, tipe data, dan kontrol alur program. Hal ini sejalan dengan materi Sesi 1 yang mencakup Python basic dan penggunaan GeoPandas untuk data spasial. 3. Pemahaman Awal tentang Machine Learning: Peserta disarankan memiliki gambaran mengenai konsep dasar machine learning seperti training–testing, klasifikasi, dan akurasi model. Pemahaman ini mempermudah peserta saat mempelajari Ensemble of Decision Trees dan Artificial Neural Network pada Sesi 3 serta evaluasi model di Sesi 4....
02
Spesifikasi Perangkat yang Disarankan:
1. Sistem Operasi: Disarankan menggunakan Windows 10/11 (64-bit), macOS versi terbaru, atau Linux seperti Ubuntu 20.04 LTS atau lebih baru. Semua materi berbasis Python—baik di Jupyter Notebook maupun Google Colab—sehingga OS yang stabil dan kompatibel dengan library geospasial (GeoPandas, Rasterio) sangat membantu kelancaran praktik. 2. Prosesor (CPU): Minimal Intel Core i3 generasi ke-8 atau AMD Ryzen 3 2000 series untuk menjalankan notebook dan memproses raster dasar. Untuk pengalaman yang lebih stabil saat memvisualisasikan raster, melakukan feature engineering, atau menjalankan model ANN, direkomendasikan prosesor Intel Core i5 generasi ke-10 atau AMD Ryzen 5 3000 series. 3. Memori (RAM): Minimal 8 GB RAM diperlukan agar proses pengolahan citra Sentinel-2, DEM, dan dataset machine learning berjalan lancar. Untuk dataset yang lebih besar, disarankan 16 GB agar visualisasi, ekstraksi sampel, dan training model dapat dilakukan tanpa lag....
03
CATATAN
Pelatihan ini ditujukan bagi peserta yang ingin memahami alur kerja machine learning secara menyeluruh untuk kebutuhan precision agriculture, mulai dari menyiapkan tools, mengolah data geospasial, hingga membangun dan mengevaluasi model. Peserta diharapkan memiliki pemahaman dasar mengenai Python, data spasial, dan konsep machine learning karena ketiganya menjadi fondasi penting pada setiap sesi. Materi dimulai dari pengenalan Python dan GeoPandas pada sesi pertama, dilanjutkan dengan pengolahan raster serta pembuatan fitur pada sesi kedua. Peserta kemudian mempelajari penerapan model Ensemble Methods dan Artificial Neural Network pada sesi ketiga, sebelum akhirnya masuk ke tahap penyetelan parameter dan evaluasi performa model pada sesi keempat. Dengan penyusunan materi yang bertahap, pelatihan ini membantu peserta mengikuti seluruh proses pemodelan secara runtut dan menerapkannya pada berbagai studi kasus pertanian berbasis citra satelit....