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 membangun model segmentasi citra satelit berbasis Deep Learning untuk pemetaan tutupan lahan. Peserta akan mempelajari konsep fundamental semantic segmentation, perbedaan antara segmentasi, klasifikasi, dan deteksi objek, serta memahami bagaimana model deep learning melakukan prediksi pixel-wise untuk mengidentifikasi area seperti hutan, non-hutan, air, atau permukaan terbangun. Materi diperkuat dengan pengenalan alur lengkap pemrosesan data citra satelit, mulai dari struktur dataset, pembuatan mask ground truth, hingga tahapan visualisasi awal yang penting untuk memahami karakteristik data spasial. Selain itu, peserta juga diperkenalkan pada arsitektur segmentasi modern seperti U-Net dan DeepLabV3+ yang menjadi standar dalam pemetaan berbasis citra resolusi tinggi.
Dalam pelatihan ini, peserta akan berlatih melakukan augmentasi dan normalisasi dataset segmentasi, menyiapkan pipeline preprocessing, serta memahami cara kerja convolutional encoder-decoder yang menjadi inti dari model segmentasi. Peserta kemudian mempelajari proses training menggunakan TensorFlow/Keras, menganalisis grafik performa, mengevaluasi hasil prediksi menggunakan metrik seperti IoU, Dice Coefficient, dan Pixel Accuracy, serta memahami teknik optimasi model untuk meningkatkan akurasi spasial. Pada tahap implementasi, peserta mempelajari cara melakukan visualisasi hasil segmentasi, menafsirkan kesalahan prediksi, dan mengoptimalkan model melalui fine-tuning hyperparameter dan penggunaan pretrained backbone. Pelatihan ini memastikan peserta mampu membangun model segmentasi lahan yang akurat dan siap digunakan untuk berbagai kebutuhan pemetaan geospasial.
Jadwal dan List Materi:
Sesi 1 — Pengantar Segmentasi Citra Satelit & Persiapan Dataset
- Overview segmentasi citra satelit untuk pemetaan tutupan lahan
- Review perbedaan segmentation, classification, dan object detection
- Pengenalan konsep land cover classification (hutan, non-hutan, dll.)
- Instalasi dan setup environment (Python, TensorFlow/Keras)
- Persiapan dataset segmentasi
- Labeling mask dan pembuatan ground truth
- Visualisasi citra dan mask untuk analisis awal
Sesi 2 — Data Augmentation, Normalisasi & Arsitektur Model Segmentasi
- Review sesi sebelumnya
- Data augmentation & normalisasi dataset segmentasi
- Pengenalan arsitektur U-Net untuk segmentasi spasial presisi tinggi
- Pengenalan arsitektur DeepLabV3+ untuk segmentasi multiskala
- Pengenalan activation function yang digunakan di model segmentasi
- Pengenalan berbagai loss function untuk pixel-wise classification
- Menyiapkan arsitektur model di TensorFlow/Keras
Sesi 3 — Build Model, Training, dan Analisis Performa
- Review sesi sebelumnya
- Load dataset & membuat dataloader untuk segmentasi
- Training model segmentasi (U-Net / DeepLabV3+)
- Penggunaan optimizer Adam & pengaturan hyperparameter dasar
- Menampilkan model summary & analisis arsitektur
- Penyusunan laporan performa awal model
Sesi 4 — Evaluasi Lanjutan, Optimasi, dan Visualisasi
- Review sesi sebelumnya
- Evaluasi kinerja model dengan IoU, Dice Coefficient, dan Pixel Accuracy
- Analisis kesalahan segmentasi & error interpretation
- Training lanjutan untuk perbaikan performa
- Optimasi model: fine-tuning hyperparameter, data augmentation, transfer learning
- Visualisasi hasil segmentasi untuk pemetaan land cover
- Penyusunan laporan performa akhir model
Konten
Pengantar Segmentasi Citra Satelit & Persiapan Dataset
Silabus
01
Silabus
Akses silabus melalui link berikut: https://s.id/SilabusDLSeries
Frequently Asked Question
Apakah pelatihan ini cocok untuk pemula?
Tidak sepenuhnya. Pelatihan ini ditujukan untuk tingkat menengah, sehingga lebih ideal bagi peserta yang sudah memiliki dasar Python dan sedikit pengalaman dengan citra satelit atau computer vision. Pemula masih bisa mengikuti, tetapi perlu belajar dasar Python terlebih dahulu.
Apakah kemampuan Python wajib?
Ya. Karena ini kelas menengah, peserta wajib memahami dasar Python seperti variabel, fungsi, struktur data, serta mampu menjalankan notebook di Google Colab. Proses segmentasi membutuhkan coding yang lebih teknis dibanding klasifikasi biasa.
Haruskah saya berpengalaman dengan citra satelit?
Tidak harus mahir, tetapi pemahaman dasar raster, kanal citra, dan pembacaan piksel sangat membantu. Pelatihan ini menggunakan citra satelit untuk pemetaan lahan sehingga familiaritas geospasial menjadi nilai tambah.
Apakah dataset sudah disediakan?
Ya. Dataset citra satelit beserta mask ground truth disediakan. Peserta juga belajar cara memeriksa kualitas mask agar model dapat dilatih dengan benar.
Apakah ada praktik langsung?
Ya. Kelas ini bersifat asinkronus, dan seluruh proses—preprocessing, augmentasi, training, evaluasi, visualisasi—disampaikan melalui video dan notebook yang dapat dipraktikkan kapan saja.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Familiaritas Dasar dengan Citra Satelit & GIS: Peserta diharapkan memiliki minat dan pemahaman awal mengenai citra satelit, seperti membaca nilai piksel, kanal citra, atau konsep raster. Pengetahuan ini membantu peserta memahami bagaimana model segmentasi bekerja pada data spasial. Tidak wajib mahir, tetapi pemahaman umum akan sangat membantu proses belajar. 2. Pemahaman Dasar Pemrograman Python: Peserta sebaiknya memahami dasar Python seperti variabel, fungsi, struktur data sederhana, serta mampu menjalankan notebook di Google Colab. Kemampuan ini diperlukan untuk mengikuti proses preprocessing, training model U-Net / DeepLabV3+, serta evaluasi hasil segmentasi. 3. Pemahaman Awal Mengenai Dataset Segmentasi: Familiar dengan konsep mask, ground truth, dan struktur folder dataset akan memudahkan peserta saat menyiapkan data pelatihan. Pemahaman mengenai visualisasi citra dan overlay mask juga sangat mendukung kelancaran proses praktik....
02
Spesifikasi Perangkat yang Disarankan:
1. Sistem Operasi: Windows 10/11 (64-bit), macOS versi terbaru, atau Linux (Ubuntu 20.04 LTS atau lebih baru). Semua materi berjalan di Google Colab sehingga OS fleksibel, namun kompatibilitas Python & library tetap diperlukan untuk eksplorasi lokal. 2. Prosesor (CPU): Minimal Intel Core i3 generasi ke-8 atau AMD Ryzen 3 2000 series. Untuk kelancaran menjalankan notebook segmentasi, memvisualisasikan mask, dan mengelola dataset yang lebih besar, direkomendasikan Intel Core i5 generasi ke-10 atau AMD Ryzen 5 3000 series. 3. Memori (RAM): Minimal 8 GB RAM untuk proses dasar. Direkomendasikan 16 GB RAM agar pemrosesan citra satelit, preview mask, dan pengujian model berjalan lebih stabil tanpa lag, terutama untuk dataset berukuran besar....
03
CATATAN
Pelatihan ini diperuntukkan bagi peserta yang ingin mempelajari teknik segmentasi citra satelit menggunakan model Deep Learning seperti U-Net dan DeepLabV3+ untuk kebutuhan pemetaan tutupan lahan. Peserta diharapkan memiliki pemahaman dasar mengenai Python, citra satelit, serta konsep dasar machine learning karena ketiga aspek tersebut menjadi fondasi dalam proses preprocessing, training, dan evaluasi model segmentasi. Materi disusun secara bertahap, mulai dari pengenalan konsep segmentasi dan pembuatan mask, normalisasi dan augmentasi data, pelatihan model menggunakan TensorFlow/Keras, hingga visualisasi hasil segmentasi untuk interpretasi pemetaan spasial. Pelatihan dirancang agar peserta memahami workflow lengkap segmentasi lahan dari citra satelit secara end-to-end, sehingga mampu menerapkan metode ini untuk berbagai kebutuhan analisis geospasial....