Pemateri
Wening Asih Diva Aprilia
GIS and Remote Sensing Instructor at Geosoftware.IDWening Asih Diva Aprilia merupakan praktisi dan instruktur di bidang Sistem Informasi Geografis (SIG), Penginderaan Jauh, dan Kartografi. Ia memiliki latar belakang pendidikan Bachelor of Science (S.Si.) in Kartografi dan Penginderaan Jauh dari Universitas Gadjah Mada (2025) dan saat ini melanjutkan pendidikan Master of Science (M.Sc.) Candidate in Penginderaan Jauh di Universitas Gadjah Mada. Saat ini, Wening aktif sebagai GIS and Remote Sensing Instructor di Geosoftware.ID. Ia memiliki pengalaman sebagai Teaching Assistant in Remote Sensing and Cartography di Universitas Gadjah Mada, dengan keterlibatan dalam kegiatan pembelajaran dan pengembangan kompetensi di bidang penginderaan jauh dan kartografi. Ia juga memiliki pengalaman sebagai GIS Intern di CV. Greentera Mapindo serta sebagai GIS and Remote Sensing Mentor untuk berbagai kebutuhan pembelajaran dan pekerjaan geospasial. Keahliannya mencakup GIS, penginderaan jauh, kartografi, dan analisis data geospasial, yang diterapkan dalam kegiatan pembelajaran, pemetaan, serta pengolahan dan interpretasi informasi spasial. Melalui pengalaman akademik dan profesional tersebut, Wening aktif mendukung pengembangan keterampilan geospasial melalui pembelajaran yang aplikatif dan berbasis praktik.
Deskripsi
Pelatihan ini membekali peserta dengan kemampuan melakukan prediksi PM2.5 berbasis data geospasial dan Machine Learning menggunakan Python, Google Colab, dan Google Earth Engine. Studi kasus menggunakan wilayah Kalimantan Tengah, dengan alur analisis mulai dari ekstraksi parameter iklim dan polutan, pembangunan model prediksi PM2.5, hingga pemetaan populasi yang terpapar. Hasil analisis kemudian dikembangkan menjadi WebGIS Dashboard interaktif sehingga informasi prediksi dan dampak kebakaran dapat disajikan dalam satu platform berbasis web.
Pada tahap awal, peserta akan mengenal penggunaan Python API untuk Google Earth Engine melalui Google Colab sebagai dasar pengambilan data geospasial. Peserta kemudian melakukan Point Sampling untuk mengekstrak parameter iklim dan polutan menjadi Pandas DataFrame, menentukan features dan target, serta melakukan Train/Test Split. Data tersebut digunakan untuk membangun model Random Forest Regressor menggunakan scikit-learn, kemudian mengevaluasi performanya melalui RMSE dan R-Squared serta memahami kontribusi masing-masing fitur menggunakan SHAP.
Tahap berikutnya berfokus pada penerapan model untuk menghasilkan peta prediksi PM2.5 secara spasial. Peserta akan menerapkan model Machine Learning pada Raster Predictor, menentukan zona bahaya PM2.5 menggunakan Raster Thresholding, serta menghitung jumlah populasi terpapar melalui Zonal Statistics dengan dataset WorldPop. Hasil pengolahan kemudian disusun menjadi tabel statistik dan divisualisasikan dalam bentuk Bar Chart dampak populasi berdasarkan kabupaten menggunakan Matplotlib.
Pada tahap akhir, peserta akan mengembangkan hasil analisis menjadi WebGIS Dashboard menggunakan Streamlit dan Folium. Peserta akan merancang tampilan dashboard dua kolom, membangun peta interaktif dengan legenda kustom, serta mengintegrasikan peta prediksi PM2.5 dan grafik dampak populasi dalam satu antarmuka. Dashboard kemudian dikonfigurasi menggunakan LocalTunnel untuk mempublikasikan hasil WebGIS secara publik melalui browser.
Jadwal dan List Materi:
Sesi 1
- Pengenalan Python API untuk Google Earth Engine melalui Google Colab
- Point Sampling parameter iklim dan polutan menjadi Pandas DataFrame
- Penentuan Features dan Target untuk pemodelan PM2.5
- Train/Test Split dan Random Forest Regressor menggunakan scikit-learn
- Evaluasi model menggunakan RMSE dan R-Squared serta interpretasi fitur dengan SHAP
Sesi 2 (
- Penerapan model Machine Learning pada Raster Predictor
- Pembuatan peta prediksi PM2.5 secara spasial
- Penentuan zona bahaya PM2.5 menggunakan Raster Thresholding
- Perhitungan populasi terpapar menggunakan Zonal Statistics dan WorldPop
- Visualisasi Bar Chart dampak populasi berdasarkan kabupaten menggunakan Matplotlib
Sesi 3
- Perancangan dashboard dua kolom menggunakan Streamlit
- Pembuatan peta interaktif menggunakan Folium dan legenda kustom
- Integrasi peta prediksi PM2.5 ke dalam dashboard
- Integrasi grafik dampak populasi dalam satu aplikasi
- Konfigurasi LocalTunnel untuk publikasi WebGIS Dashboard secara publik
Konten
Ekstraksi Data Iklim dan Polutan untuk Prediksi PM2.5
Pemetaan Prediksi PM2.5 dan Populasi Terpapar
Silabus
01
Silabus Kelas 2
Akses silabus melalui link berikut: https://s.id/silabuskebakaran2
Frequently Asked Question
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 3 sesi pelatihan.
Apa syarat mendapatkan Certificate of Appreciation?
Certificate of Appreciation diberikan kepada peserta yang mengerjakan dan mengumpulkan mini project sesuai ketentuan yang ditetapkan.
Apakah saya harus sudah bisa Python untuk mengikuti pelatihan ini?
Tidak wajib. Pemrograman akan digunakan dalam praktik secara bertahap melalui Google Colab, sehingga peserta akan diarahkan mengikuti setiap tahapan yang dibutuhkan.
Apakah pelatihan ini membahas Machine Learning secara praktik?
Ya. Peserta akan mempraktikkan Random Forest Regressor, mulai dari menyiapkan dataset, menentukan features dan target, melakukan Train/Test Split, hingga mengevaluasi model menggunakan RMSE dan R-Squared.
Data apa yang digunakan dalam pelatihan?
Pelatihan menggunakan data parameter iklim dan polutan sebagai input pemodelan PM2.5, kemudian hasil prediksi dianalisis bersama data WorldPop untuk mengetahui populasi yang terpapar.
Apakah hasil prediksi PM2.5 akan dibuat menjadi peta?
Ya. Model yang telah dibuat akan diterapkan pada Raster Predictor untuk menghasilkan peta prediksi PM2.5, kemudian digunakan untuk menentukan zona bahaya dan menganalisis populasi terpapar.
Apakah akan ada analisis populasi yang terdampak?
Ya. Peserta akan melakukan Zonal Statistics menggunakan WorldPop untuk memperoleh informasi populasi terpapar dan menyajikannya berdasarkan wilayah kabupaten.
Apakah hasil analisis akan dibuat menjadi WebGIS?
Ya. Pada sesi terakhir, hasil peta prediksi PM2.5 dan grafik dampak populasi akan diintegrasikan ke dalam WebGIS Dashboard menggunakan Streamlit dan Folium.
Apakah WebGIS dapat dipublikasikan dan diakses melalui browser?
Ya. Peserta akan mempelajari konfigurasi LocalTunnel untuk mempublikasikan dashboard sehingga hasil analisis dapat diakses secara publik melalui browser.
Apakah saya harus sudah memahami WebGIS atau Streamlit?
Tidak wajib. Peserta akan diarahkan dalam proses perancangan dashboard, pembuatan peta interaktif, integrasi visualisasi, hingga publikasi WebGIS selama sesi berlangsung.
Kelas Ini Cocok Untuk?
01
Cocok untuk Kamu yang…
1. Mahasiswa atau peneliti di bidang geografi, penginderaan jauh, lingkungan, kebencanaan, atau geospasial yang ingin mempelajari prediksi kualitas udara berbasis data; 2. Praktisi GIS dan penginderaan jauh yang ingin mengembangkan kemampuan analisis geospasial menggunakan Python dan Google Earth Engine; 3. Analis lingkungan atau kebencanaan yang membutuhkan informasi spasial mengenai prediksi PM2.5 dan populasi terpapar akibat kebakaran hutan; 4. Peneliti atau perencana wilayah yang ingin memanfaatkan Machine Learning untuk menghasilkan prediksi spasial dan mendukung analisis dampak; 5. Pengguna GIS yang ingin mengembangkan hasil analisis dari sekadar pemetaan menjadi prediksi spasial dan WebGIS Dashboard interaktif....
02
Kemampuan Dasar yang Disarankan untuk Peserta
1. Memiliki ketertarikan pada bidang GIS, penginderaan jauh, lingkungan, kebencanaan, atau analisis geospasial; 2. Memahami dasar-dasar GIS seperti data raster, data vektor, sistem koordinat, dan visualisasi peta; 3. Mampu mengoperasikan komputer dan melakukan aktivitas dasar seperti mengelola file, menggunakan browser, serta mengakses dan mengunduh data; 4. Memiliki pemahaman dasar mengenai data spasial dan analisis berbasis lokasi yang akan membantu dalam mengikuti proses ekstraksi dan pemodelan; 5. Pengalaman menggunakan Python, Google Earth Engine, atau Machine Learning tidak wajib, karena konsep dan alur penggunaannya 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 data dan hasil latihan; 4. Browser: menggunakan versi terbaru Google Chrome, Microsoft Edge, atau browser berbasis Chromium; 5. Koneksi internet: koneksi internet yang stabil karena proses utama menggunakan Google Earth Engine, Google Colab, dan layanan berbasis cloud....
04
CATATAN
Pelatihan ini merupakan kelas yang berfokus pada prediksi PM2.5 berbasis Machine Learning dan pemetaan populasi terpapar dengan studi kasus kebakaran hutan di Kalimantan Tengah. Peserta akan mengikuti alur analisis secara bertahap, mulai dari ekstraksi data iklim dan polutan, penyusunan dataset untuk pemodelan, pembangunan dan evaluasi Random Forest Regressor, hingga penerapan model untuk menghasilkan peta prediksi PM2.5 dan informasi populasi terpapar. Pada tahap akhir, hasil analisis dikembangkan menjadi WebGIS Dashboard menggunakan Streamlit dan Folium serta dipublikasikan menggunakan LocalTunnel. Pengalaman pemrograman sebelumnya tidak menjadi persyaratan utama, namun pemahaman dasar GIS dan data geospasial akan membantu peserta mengikuti proses praktik dengan lebih lancar....