Pemateri
M. Ilham Habib
Software Engineer/Instruktur GeosoftwareM. Ilham Habib adalah profesional di bidang Geografi dan Sains Data Spasial dengan keahlian dalam GIS, Penginderaan Jauh, dan Analisis Spasial berbasis Machine Learning. Ilham merupakan lulusan Sarjana Sains Geografi dari Universitas Negeri Padang dengan IPK 3.67, dengan fokus pada pemetaan, analisis geospasial, penginderaan jauh, serta pemrograman Python untuk analisis data spasial. Ilham memiliki pengalaman mengajar yang cukup baik, di antaranya pernah menjadi asisten dosen dan mengajar di universitas negeri padang jurusan geografi dan universitas bung hatta jurusan Perencanaan wilayah dan kota. Selain itu ilham juga telah menjadi instruktur di bidang GIS, Remote Sensing, dan machine learning untuk data spasial pada berbagai pelatihan profesional yang diselenggarakan oleh Geosoftware ID. Dedikasinya dalam bidang geospasial juga tercermin dari berbagai prestasi nasional yang diraihnya, seperti Juara 1 Lomba Karya Tulis Ilmiah Geografi Nasional (PIKOM-G), Juara 3 Kompetisi Pemetaan SCALE MAP, dan juga juara 3 dalam kompetisi mapcom barrashepere 2025 oleh PT Barrakusuma Spatial Teknologi
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman teoritis dan keterampilan praktis dalam analisis spasial untuk penentuan lokasi SPKLU berbasis GIS dan Machine Learning. Peserta akan mempelajari dasar-dasar GIS dan penginderaan jauh, pengolahan parameter spasial seperti topografi, penggunaan lahan, dan jaringan jalan, serta pengelolaan data di QGIS dan Google Colab.
Dalam pelatihan ini, peserta akan mempraktikkan pembuatan sampel data, pengolahan parameter raster, serta penerapan algoritma Machine Learning MLP (Multi Layer Perceptron) untuk menghasilkan peta lokasi potensial SPKLU. Peserta juga akan dibimbing dalam proses training model, hyperparameter tuning, evaluasi akurasi, serta visualisasi hasil analisis dalam bentuk peta tematik.
Melalui praktik langsung dan Mini Project, peserta memperoleh pemahaman menyeluruh mengenai penerapan GIS dan Machine Learning untuk analisis lokasi strategis. Materi disampaikan secara bertahap sehingga mudah diikuti oleh peserta yang telah memiliki dasar GIS, Python, dan analisis spasial.
Jadwal dan List Materi:
Sesi 1 – Pengenalan GIS, Energi Terbarukan, dan Tools Analisis
- Pengenalan dan pengantar GIS & Penginderaan Jauh
- Pengenalan peran energi terbarukan & konteks SPKLU dalam spasial
- Pengenalan software QGIS & Google Colab
- Hands-on QGIS: membuat layer shapefile & mengedit atribut
- Hands-on Google Colab: connect Google Drive, instal & import library
- Review dasar Python untuk analisis spasial
Sesi 2 – Pengolahan Parameter Lokasi Potensial SPKLU
- Review materi sesi sebelumnya
- Karakteristik lokasi potensial SPKLU
- Penyiapan parameter raster (topografi, LULC, jaringan jalan, dll.)
- Visualisasi & analisis visual parameter
- Export parameter raster untuk sesi berikutnya
Sesi 3 – Machine Learning MLP dan Pemrosesan Sampel
- Review materi sesi kedua
- Library penting untuk analisis geospasial di Colab
- Penjelasan algoritma Machine Learning MLP (Multi Layer Perceptron)
- Pengumpulan & pembuatan sampel data di QGIS
- Import data parameter & sampel (geopandas, rasterio)
- Pemrosesan data sampel pada Google Colab
Sesi 4 – Training Model MLP dan Visualisasi Hasil
- Review sesi ketiga
- Training & processing algoritma MLP
- Accuracy assessment
- Hyperparameter tuning & save model
- Visualisasi hasil MLP dalam bentuk peta
- Perhitungan luasan lokasi potensial SPKLU
- Export hasil ke QGIS
- Final layout peta analisis lokasi potensial
Konten
Pengenalan GIS, Energi Terbarukan, dan Tools Analisis
Silabus
01
Silabus
Akses silabus melalui link berikut: https://s.id/SPKLU-SilabusMateri
Frequently Asked Question
Apa tujuan utama pelatihan ini?
Pelatihan ini bertujuan memberikan pemahaman mengenai pengolahan data geospasial, penyiapan parameter analisis, serta penerapan algoritma Machine Learning (MLP) untuk menentukan lokasi potensial SPKLU. Seluruh tahapan dilakukan melalui QGIS dan Google Colab.
Apakah pelatihan ini cocok untuk pemula?
Pelatihan ini ditujukan untuk peserta yang telah memiliki dasar Python, GIS, dan konsep dasar machine learning. Peserta pemula masih dapat mengikuti, namun disarankan melakukan persiapan terlebih dahulu.
Apakah peserta harus menguasai QGIS sebelum mengikuti pelatihan?
Tidak. Dasar penggunaan QGIS akan dijelaskan pada Sesi 1, termasuk pembuatan layer, pengeditan atribut, dan pengaturan project.
Apakah materi pelatihan dapat digunakan untuk bidang lain?
Bisa. Metode analisis parameter, pengolahan data raster, dan penggunaan MLP dapat diterapkan pada berbagai studi seperti tata ruang, energi terbarukan, transportasi, mitigasi bencana, dan permodelan geospasial lainnya.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Pemahaman Dasar Geografi dan Data Geospasial: Peserta diharapkan memahami konsep dasar pemetaan, sistem koordinat, proyeksi, serta jenis data spasial (vektor dan raster). Pengetahuan ini membantu dalam membaca, mengelola, dan menganalisis data yang digunakan pada tahapan pengolahan parameter dan visualisasi hasil. 2. Kemampuan Dasar Pemrograman Python: Peserta sebaiknya memiliki dasar penggunaan Python untuk analisis data, mencakup pemahaman variabel, struktur data, fungsi, serta perulangan. Kemampuan ini diperlukan dalam proses pemrosesan data di Google Colab serta penggunaan library geospasial seperti GeoPandas dan Rasterio. 3. Pemahaman Dasar Machine Learning untuk Analisis Spasial: Memiliki pengetahuan awal mengenai konsep machine learning, terutama terkait proses klasifikasi dan struktur model seperti MLP. Pemahaman ini membantu peserta mengikuti tahapan training, evaluasi, dan tuning model pada sesi pemodelan....
02
Spesifikasi Perangkat yang Disarankan:
1. Sistem Operasi: Menggunakan Windows 10/11 (64-bit), macOS versi terbaru, atau distribusi Linux seperti Ubuntu 20.04 LTS atau lebih baru untuk memastikan kompatibilitas dengan aplikasi analisis geospasial dan Google Colab. 2. Prosesor (CPU): Minimal prosesor Intel Core i3 generasi ke-8 atau setara (AMD Ryzen 3 2000 series). Disarankan menggunakan Intel Core i5 generasi ke-10 atau setara (AMD Ryzen 5 3000 series) untuk kinerja yang lebih stabil saat menjalankan QGIS dan proses pengolahan data. 3. Memori (RAM): Minimal 8 GB RAM untuk menjalankan aplikasi dasar. Direkomendasikan 16 GB RAM untuk mendukung multitasking dan pengolahan data spasial yang lebih lancar selama sesi pelatihan....
03
CATATAN
Pelatihan ini diperuntukkan bagi peserta yang ingin mempelajari analisis data geospasial menggunakan Python dan metode Machine Learning. Peserta diharapkan memiliki dasar pemahaman mengenai Python, GIS, serta konsep dasar machine learning agar dapat mengikuti seluruh tahapan materi dengan baik. Materi pelatihan disusun secara bertahap, mencakup pengolahan data parameter spasial hingga visualisasi hasil dalam bentuk peta tematik menggunakan QGIS dan Google Colab....