Pemateri
Ai Sulastri
GIS and Remote Sensing Instructor at Geosoftware.IDAi Sulastri, S.Geo. merupakan praktisi dan instruktur di bidang Sistem Informasi Geografis (SIG), Penginderaan Jauh, dan analisis data geospasial. Ia memiliki latar belakang pendidikan Bachelor of Geography (S.Geo.) in Geographic Information Science dari Universitas Pendidikan Indonesia. Latar belakang tersebut mendukung pengalamannya dalam pengolahan data spasial, analisis geospasial, serta pemanfaatan teknologi GIS dan penginderaan jauh untuk berbagai kebutuhan analisis. Saat ini, Ai aktif sebagai GIS and Remote Sensing Instructor di Geosoftware.ID. Sebelumnya, ia memiliki pengalaman sebagai GIS Research Assistant di Universitas Pendidikan Indonesia, yang berlangsung sejak 2024 hingga sekarang. Ia juga pernah berperan sebagai Research Intern di Pusat Riset Sains Data dan Informasi, BRIN pada 2025–2026 serta GIS Analyst Intern di Direktorat Bina Teknik SDA, Kementerian Pekerjaan Umum pada 2025. Selain itu, Ai memiliki pengalaman sebagai GIS Operator & Surveyor di PT Multi Pranata Mandiri Nusantara (2024) dan Operator SIG di PT. MAPI (2024). Keahliannya mencakup GIS, penginderaan jauh, analisis data geospasial, serta pengolahan dan interpretasi informasi spasial. Melalui pengalaman akademik dan profesional tersebut, Ai aktif mengembangkan dan membagikan pengetahuan geospasial melalui kegiatan pembelajaran dan pelatihan yang aplikatif, khususnya dalam pemanfaatan GIS dan penginderaan jauh untuk mendukung analisis dan pemecahan masalah berbasis data spasial.
Deskripsi
Pelatihan ini membekali peserta dengan kemampuan melakukan klasifikasi multi-produk erupsi gunungapi berbasis deep learning menggunakan data penginderaan jauh. Studi kasus yang digunakan adalah aktivitas Gunung Anak Krakatau, dengan enam kelas target, yaitu abu vulkanik, plume kaya SO₂, plume campuran ash + SO₂, awan meteorologis, laut, dan daratan. Proses analisis disusun mulai dari pengenalan karakteristik objek, pemanfaatan data multisensor, hingga penyusunan dataset yang siap digunakan untuk pemodelan.
Pada tahap awal, peserta akan mengenal karakteristik dan fungsi berbagai data penginderaan jauh, meliputi Sentinel-2 MSI, Sentinel-3 SLSTR, Himawari-9, dan Sentinel-5P/TROPOMI. Sentinel-3 SLSTR digunakan sebagai data utama untuk klasifikasi, sedangkan data lainnya digunakan sebagai referensi dalam memahami karakteristik objek dan aktivitas erupsi. Peserta kemudian mempelajari konsep klasifikasi multiclass dan penyusunan dataset berdasarkan enam kelas target.
Tahap berikutnya berfokus pada persiapan dataset dan pengembangan model deep learning. Peserta akan melakukan preprocessing citra, menyusun ground truth, melakukan pelabelan, serta membagi dataset menjadi training, validation, dan testing. Dataset yang telah disiapkan kemudian digunakan untuk melatih model deep learning multiclass, melakukan evaluasi performa, dan menghasilkan klasifikasi enam kelas secara otomatis.
Pada tahap akhir, hasil klasifikasi diintegrasikan dengan informasi atmosfer untuk menganalisis transport dan persebaran material vulkanik. Peserta akan mengenal data meteorologi ERA5, melakukan pemodelan trajectory dan dispersion menggunakan HYSPLIT, serta menghubungkan hasil klasifikasi dengan informasi atmosfer dan data referensi untuk memperoleh gambaran yang lebih menyeluruh mengenai pola sebaran material erupsi.
Jadwal dan List Materi
Sesi 1
- Konsep aktivitas dan produk erupsi gunungapi
- Pengenalan data multisensor untuk analisis aktivitas erupsi
- Karakteristik Sentinel-2 MSI, Sentinel-3 SLSTR, Himawari-9, dan Sentinel-5P/TROPOMI
- Konsep klasifikasi multiclass dan pengenalan enam kelas target
- Pengantar klasifikasi berbasis deep learning
Sesi 2
- Konsep dataset dan pixel-level classification
- Preprocessing citra Sentinel-3 SLSTR
- Penyusunan ground truth dan pelabelan enam kelas
- Pembagian dataset menjadi training, validation, dan testing
- Data augmentation dan keseimbangan kelas
Sesi 3
- Arsitektur dan alur model deep learning multiclass
- Training, validation, dan prediction
- Transfer learning dan fine-tuning
- Evaluasi model: accuracy, precision, recall, F1-score, dan IoU
- Klasifikasi enam kelas dan analisis time series hasil klasifikasi
Sesi 4
- Data meteorologi ERA5 dan parameter angin
- Konsep transport dan dispersi material vulkanik
- Forward trajectory menggunakan HYSPLIT
- Dispersion untuk analisis sebaran material
- Integrasi hasil deep learning dengan HYSPLIT, ERA5, NHI, dan SO₂
Konten
Pengantar Data Multisensor dan Klasifikasi Deep Learning untuk Analisis Erupsi Gunungapi
Persiapan Dataset Multiclass untuk Klasifikasi Deep Learning
Training, Evaluasi, dan Klasifikasi Multi-Produk dengan Deep Learning
Silabus
01
Silabus Kelas 1
Akses silabus melalui link berikut: https://s.id/silabusgunungapi
Frequently Asked Question
Apakah saya harus sudah memiliki pengalaman menggunakan deep learning sebelumnya?
Tidak wajib. Pelatihan dimulai dari pengenalan konsep klasifikasi multiclass dan penerapan deep learning untuk klasifikasi produk erupsi gunungapi, kemudian peserta akan dipandu secara bertahap dalam proses persiapan dataset, training, evaluasi, hingga menghasilkan klasifikasi.
Bagaimana jika saya belum memiliki dasar deep learning?
Peserta yang belum memiliki pengalaman atau pemahaman dasar deep learning tetap dapat mengikuti pelatihan. Namun, agar lebih siap mengikuti materi dan praktik, peserta dapat mengambil Kelas Dasar Deep Learning sebagai add-on dengan diskon 25%.
Apakah pelatihan ini cocok untuk pemula?
Pelatihan ini cocok bagi peserta yang memiliki pemahaman dasar mengenai GIS, penginderaan jauh, atau data geospasial dan ingin mulai menerapkan deep learning pada analisis citra. Pengalaman deep learning sebelumnya tidak menjadi persyaratan utama karena konsep dan tahapan praktik akan diperkenalkan serta dipandu selama pelatihan.
Apa studi kasus yang digunakan dalam pelatihan?
Pelatihan menggunakan studi kasus aktivitas erupsi Gunung Anak Krakatau dengan enam kelas target, yaitu abu vulkanik, plume kaya SO₂, plume campuran ash + SO₂, awan meteorologis, laut, dan daratan.
Data apa saja yang digunakan dalam pelatihan?
Peserta akan menggunakan beberapa sumber data penginderaan jauh dan atmosfer, meliputi Sentinel-2 MSI, Sentinel-3 SLSTR, Himawari-9, Sentinel-5P/TROPOMI, dan ERA5 sesuai kebutuhan pada setiap tahapan analisis.
Apakah saya perlu bisa programming sebelum mengikuti pelatihan?
Pengalaman programming sebelumnya tidak menjadi persyaratan utama. Peserta akan mengikuti tahapan praktik secara bertahap dengan dataset dan alur yang telah disiapkan. Namun, kemampuan dasar menggunakan komputer serta pemahaman dasar GIS, penginderaan jauh, dan data spasial akan membantu peserta mengikuti proses pembelajaran dengan lebih lancar.
Apakah metode yang dipelajari hanya dapat digunakan untuk kasus gunungapi?
Tidak. Pendekatan deep learning untuk klasifikasi citra yang dipelajari dapat dikembangkan untuk berbagai objek dan kebutuhan analisis penginderaan jauh. Penerapannya pada kasus lain dilakukan dengan menyesuaikan dataset dan kelas target.
Apakah pelatihan direkam?
Ya. Seluruh sesi direkam sehingga peserta dapat mempelajari kembali materi setelah pelatihan selesai.
Apakah peserta mendapatkan sertifikat?
Ya. Tersedia dua jenis sertifikat, yaitu Certificate of Completion dan Certificate of Appreciation.
Apa syarat mendapatkan Certificate of Completion?
Certificate of Completion diberikan kepada peserta yang minimal menghadiri 2 sesi dari total 4 sesi pelatihan.
Apa syarat mendapatkan Certificate of Appreciation?
Certificate of Appreciation diberikan kepada peserta yang mengerjakan dan mengumpulkan mini project sesuai ketentuan yang ditetapkan.
Kelas Ini Cocok Untuk?
01
Cocok untuk Kamu yang…
1. Mahasiswa atau peneliti di bidang geografi, penginderaan jauh, geologi, kebencanaan, lingkungan, atau ilmu kebumian yang ingin mempelajari analisis aktivitas dan produk erupsi gunungapi berbasis data penginderaan jauh; 2. Praktisi GIS dan penginderaan jauh yang ingin mengembangkan kemampuan klasifikasi citra menggunakan deep learning; 3. Peneliti atau analis kebencanaan yang membutuhkan pendekatan berbasis data untuk mengidentifikasi dan menganalisis abu vulkanik, plume SO₂, serta produk erupsi lainnya; 4. Pengguna data penginderaan jauh yang ingin memahami pemanfaatan data multisensor dan pemodelan atmosfer untuk menganalisis persebaran material vulkanik; 5. Peserta yang ingin mengembangkan workflow analisis citra yang dapat diadaptasi untuk berbagai objek dan bidang lain melalui pendekatan deep learning....
02
Kemampuan Dasar yang Disarankan untuk Peserta
1. Memiliki ketertarikan pada bidang GIS, penginderaan jauh, kebencanaan, lingkungan, atau analisis data geospasial; 2. Memahami dasar-dasar penginderaan jauh, seperti konsep citra satelit, resolusi spasial dan spektral, serta interpretasi objek pada citra; 3. Memiliki kemampuan dasar dalam menggunakan komputer, mengelola file, menjalankan browser, serta mengakses dan mengunduh data; 4. Memiliki pemahaman dasar mengenai data spasial dan citra penginderaan jauh akan membantu peserta mengikuti proses preprocessing, pelabelan, dan klasifikasi dengan lebih mudah; 5. Pengalaman menggunakan Python, Google Colab, deep learning, atau pemodelan HYSPLIT tidak wajib, karena konsep dan tahapan praktik akan diperkenalkan serta dipandu selama pelatihan....
03
Spesifikasi Perangkat yang Disarankan
1. Processor: minimal Intel Core i3 / AMD Ryzen 3 atau setara; 2. RAM: minimal 8 GB untuk menjalankan browser, Google Colab, dan kebutuhan praktik secara bersamaan; 3. Penyimpanan: tersedia ruang kosong minimal 10 GB untuk menyimpan dataset, hasil pengolahan, dan file pelatihan; 4. Browser: menggunakan versi terbaru Google Chrome, Microsoft Edge, atau browser berbasis Chromium; 5. Koneksi internet: koneksi internet yang stabil karena sebagian proses pengolahan dan praktik dilakukan menggunakan Google Colab serta layanan berbasis cloud....
04
CATATAN
Pelatihan ini merupakan kelas Basic–Intermediate yang berfokus pada otomatisasi klasifikasi multi-produk erupsi gunungapi berbasis deep learning dengan studi kasus enam kelas produk erupsi Gunung Anak Krakatau. Peserta akan mengikuti alur analisis secara bertahap, mulai dari pengenalan data multisensor, persiapan dataset dan pelabelan, training serta evaluasi model deep learning, hingga integrasi hasil klasifikasi dengan ERA5 dan HYSPLIT untuk menganalisis transport dan persebaran material vulkanik. Pengalaman pemrograman atau deep learning sebelumnya tidak menjadi persyaratan utama, karena konsep dan tahapan praktik akan diperkenalkan serta dipandu selama pelatihan. Namun, pemahaman dasar mengenai penginderaan jauh, GIS, dan data spasial akan membantu peserta mengikuti proses analisis dengan lebih lancar. Pendekatan yang dipelajari juga dapat dikembangkan untuk kebutuhan klasifikasi citra pada objek lain dengan menyesuaikan dataset dan kelas target....