Pemateri
Ozza Dinata
GeoAI Specialist/Instruktur GeosoftwareOzza Dinata adalah seorang Data Specialist dengan pengalaman lebih dari lima tahun di bidang Data Science, Artificial Intelligence, Big Data, dan Geographic Information Systems (GIS). Ia memiliki latar belakang pendidikan S1 Teknik Geofisika dari Universitas Lampung dan telah memperoleh berbagai sertifikasi profesional di bidang AI, Data Engineering, dan GIS. Fokus keahliannya mencakup machine learning, deep learning, pengolahan data spasial, serta pengembangan arsitektur dan integrasi data untuk industri migas, pertanian, dan sektor pemerintahan. Dengan pengalaman bekerja di SKK Migas, Pertamina Hulu Energi, hingga Sugar Group Companies, Ozza memiliki rekam jejak kuat dalam membangun model AI dan solusi Geo-AI, termasuk aplikasi pendeteksian gulma otomatis, sistem analitik prediktif, serta platform geospasial berskala besar yang meraih penghargaan internasional. Keahliannya dalam Python, SQL, TensorFlow, PyTorch, dan beragam teknologi cloud menjadikannya instruktur yang mampu menjembatani konsep teoretis dan implementasi teknis dalam analisis data modern.
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman mendalam dan keterampilan praktis dalam mengembangkan model deteksi objek berbasis Deep Learning menggunakan algoritma YOLO. Peserta akan mempelajari konsep fundamental object detection, perbedaan antara klasifikasi, deteksi, dan segmentasi, serta memahami bagaimana YOLO bekerja dalam mengenali objek secara real-time. Materi diperkuat dengan pengenalan workflow pengolahan data untuk kebutuhan training, mulai dari struktur dataset, proses labeling, hingga konfigurasi environment yang diperlukan untuk menjalankan YOLOv8. Selain itu, peserta juga diperkenalkan pada Streamlit sebagai framework sederhana dan powerful untuk membangun antarmuka aplikasi AI yang interaktif.
Dalam pelatihan ini, peserta akan berlatih mempersiapkan dataset deteksi objek, melakukan labeling menggunakan platform seperti LabelImg atau Roboflow, serta mengonfigurasi file data.yaml sebagai struktur dasar dataset YOLO. Peserta kemudian mempelajari proses training model YOLOv8, menganalisis grafik performa, mengevaluasi hasil prediksi, dan memahami teknik optimasi model melalui augmentasi data serta penyesuaian hyperparameter. Pada tahap implementasi, peserta mempelajari langkah demi langkah membangun aplikasi deteksi objek menggunakan Streamlit—mulai dari menampilkan gambar, memanggil model inference, hingga memvisualisasikan bounding box dan confidence score.
Jadwal dan List Materi:
Sesi 1 — Overview Object Detection, YOLO & Persiapan Dataset
- Pengenalan konsep object detection
- Perbedaan classification, detection, dan segmentation
- Pengenalan algoritma YOLO & workflow training
- Pengenalan Streamlit sebagai framework aplikasi
- Instalasi dan setup environment YOLOv8 + Streamlit
- Pengenalan dataset (studi kasus: mineral/batuan)
- Labeling data menggunakan LabelImg / Roboflow
- Persiapan folder dataset untuk YOLO
Sesi 2 — Training YOLO & Evaluasi Model
- Review dan persiapan dataset
- Pengaturan file data.yaml
- Menjalankan training YOLOv8
- Meninjau hasil training (plots, metrics)
- Evaluasi model menggunakan dataset uji
- Analisis prediksi awal dan inference dasar
- Teknik optimasi sederhana: augmentasi & parameter dasar
Sesi 3 — Membangun Aplikasi Deteksi dengan Streamlit
- Pengenalan struktur aplikasi Streamlit
- Membuat interface aplikasi (upload, display image)
- Menjalankan model YOLO di Streamlit
- Menampilkan hasil prediksi & bounding box
- Visualisasi confidence score
- Menambahkan fitur sederhana untuk pengalaman pengguna
- Persiapan file app.py untuk deployment
Sesi 4 — Optimasi Model, Evaluasi Lanjutan
- Analisis performa model secara mendalam
- Fine-tuning YOLO (learning rate, batch size, epoch)
- Data augmentation lanjutan
- Menggunakan pretrained model yang lebih besar
- Analisis error & perbaikan performa
- Penyusunan laporan evaluasi (precision, recall, F1-score)
- Finalisasi aplikasi
Konten
Overview Object Detection, YOLO & Persiapan Dataset
Silabus
01
Silabus
Akses silabus melalui link berikut: https://s.id/SilabusDLSeries
Frequently Asked Question
Apakah pelatihan ini cocok untuk pemula?
Cocok untuk peserta yang sudah memahami dasar deep learning atau telah mengikuti Kelas 1. Pemula tetap dapat mengikuti, namun memerlukan usaha tambahan karena materi lebih teknis dibanding kelas sebelumnya.
Apakah perlu laptop dengan GPU?
Tidak. Training model dilakukan di Google Colab yang sudah menyediakan GPU. Laptop standar sudah cukup untuk menjalankan inference YOLO dan membangun aplikasi Streamlit.
Apakah peserta akan belajar mulai dari proses labeling dataset?
Ya. Peserta dipandu menyiapkan dataset, melakukan labeling menggunakan LabelImg/Roboflow, dan mengatur struktur dataset agar sesuai kebutuhan YOLO.
Apakah peserta akan membangun aplikasi AI?
Ya. Peserta akan mengimplementasikan model YOLO ke dalam aplikasi Streamlit yang dapat menampilkan hasil deteksi objek secara visual.
Apakah materi disampaikan secara sinkron atau asinkron?
Kelas ini asinkron, sehingga peserta dapat belajar melalui video pembelajaran kapan saja dan mengulang materi sesuai kebutuhan.
Apa sertifikat yang diberikan?
Peserta yang mengerjakan Mini Project sesuai ketentuan akan menerima Certificate of Appreciation.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Minat dan Familiaritas Dasar dengan Computer Vision: Peserta diharapkan memiliki ketertarikan terhadap analisis citra digital, terutama penggunaan AI untuk mendeteksi objek. Pengetahuan ringan mengenai klasifikasi atau pengenalan objek akan membantu proses belajar, namun tidak menjadi persyaratan utama. 2. Kemampuan Dasar Pemrograman Python (Opsional namun Membantu): Peserta tidak diwajibkan mahir Python, tetapi memahami dasar membaca potongan kode, menjalankan script di Google Colab, serta mengenali struktur sederhana seperti variabel dan fungsi akan sangat membantu saat mengikuti proses training YOLO dan pembuatan aplikasi Streamlit. 3. Pemahaman Awal tentang Pengelolaan Dataset: Familiar dengan konsep dasar seperti membaca file gambar, memahami struktur folder dataset, atau melakukan labeling sederhana akan memudahkan peserta saat menyiapkan data untuk YOLO, termasuk proses anotasi dan pengaturan dataset....
02
Spesifikasi Perangkat yang Disarankan:
`. Sistem Operasi: Menggunakan Windows 10/11 (64-bit), macOS versi terbaru, atau Linux seperti Ubuntu 20.04 LTS atau lebih baru untuk memastikan kompatibilitas dengan Python, Streamlit, YOLOv8, serta browser yang diperlukan untuk Google Colab. 2. Prosesor (CPU): Minimal prosesor Intel Core i3 generasi ke-8 atau setara (AMD Ryzen 3 2000 series). Untuk kelancaran dalam menjalankan inference YOLO, mengelola dataset gambar, dan membangun aplikasi Streamlit, disarankan menggunakan Intel Core i5 generasi ke-10 atau AMD Ryzen 5 3000 series. 3. Memori (RAM): Minimal 8 GB RAM untuk kebutuhan pelatihan dasar. Namun untuk pengalaman yang lebih stabil—terutama saat membuka dataset berukuran besar atau menjalankan aplikasi Streamlit secara lokal—direkomendasikan 16 GB RAM....
03
CATATAN
Pelatihan ini diperuntukkan bagi peserta yang ingin mempelajari penerapan Deep Learning tingkat dasar–menengah untuk kebutuhan object detection dan pembuatan aplikasi sederhana berbasis AI. Peserta tidak diwajibkan memiliki kemampuan pemrograman lanjutan, namun pemahaman dasar mengenai Python, struktur dataset citra, dan konsep machine learning akan sangat membantu selama mengikuti materi. Seluruh topik disusun secara bertahap, mulai dari pengenalan object detection, proses labeling data, pelatihan model YOLO, hingga implementasi model ke dalam aplikasi Streamlit. Pelatihan dirancang agar peserta dapat memahami alur lengkap pembangunan sistem deteksi objek yang aplikatif dan mudah diadaptasi untuk berbagai kebutuhan....