Pemateri
Noviani Putri
Remote Sensing Specialist/Geosoftware InstructorNoviani Putri adalah peneliti dan praktisi penginderaan jauh dengan latar belakang Ilmu Tanah dan keahlian dalam integrasi data LiDAR, citra satelit multispektral, serta teknologi geospasial untuk analisis lingkungan, pertanian, dan kehutanan. Fokus keahliannya mencakup pemodelan biomassa, klasifikasi tutupan lahan berbasis machine learning, serta pengembangan alur kerja analisis data spasial skala besar menggunakan R dan Python. Saat ini, ia aktif terlibat dalam berbagai proyek riset akademik dan terapan, termasuk pemetaan regional, analisis degradasi lahan, serta estimasi biomassa untuk pengelolaan sumber daya berkelanjutan. Selain pengalaman riset dan publikasi ilmiah, ia juga berpengalaman sebagai pengajar dan asisten dosen dalam bidang GIS dan penginderaan jauh, dengan komitmen kuat untuk mentransfer pengetahuan geospasial secara aplikatif dan berbasis data kepada peserta pelatihan.
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman komprehensif mengenai pemanfaatan data LiDAR dalam analisis struktur pohon dan inventarisasi biomassa tanaman. Peserta akan mempelajari konsep dasar teknologi LiDAR, karakteristik dan struktur data point cloud, serta alur kerja pengolahan data LiDAR secara sistematis untuk kebutuhan analisis kehutanan dan vegetasi.
Pada tahap awal, peserta akan diperkenalkan dengan prinsip kerja LiDAR, format data LAS/LAZ, serta teknik klasifikasi point cloud menjadi ground dan non-ground. Peserta juga akan melakukan eksplorasi dan visualisasi data LiDAR tiga dimensi untuk memahami struktur dan karakteristik point cloud. Selanjutnya, pelatihan berlanjut pada pengolahan model permukaan dan model medan (DSM dan DTM) hingga penyusunan Canopy Height Model (CHM) sebagai dasar analisis vegetasi.
Pada sesi lanjutan, peserta akan mempelajari metode deteksi dan ekstraksi pohon, baik berbasis area (Area-Based Approach/ABA) maupun berbasis individu (Individual Tree Detection/ITD). Peserta akan melakukan ekstraksi metrik vegetasi dan pohon individu yang dapat digunakan untuk analisis lanjutan. Pada tahap akhir, pelatihan difokuskan pada pemodelan biomassa tegakan menggunakan persamaan allometrik, termasuk analisis statistik serta interpretasi hasil pemodelan. Materi disusun secara aplikatif dan terstruktur sehingga dapat diikuti oleh peserta dengan latar belakang pemula hingga menengah, serta memberikan dasar yang kuat untuk analisis kehutanan berbasis data LiDAR.
Jadwal dan List Materi:
Sesi 1
- Teori dasar, konsep, cara kerja, dan aplikasi LiDAR
- Format dan struktur data LiDAR (LAS/LAZ)
- Klasifikasi LiDAR ground dan non-ground
- Konsep inventarisasi menggunakan data LiDAR
- Visualisasi dan eksplorasi data LiDAR 3D
Sesi 2
- Pengolahan Digital Surface Model (DSM)
- Pengolahan Digital Terrain Model (DTM)
- Penyusunan Canopy Height Model (CHM)
Sesi 3
- Konsep Individual Tree Detection (ITD)
- Teknik segmentasi pohon
- Ekstraksi metrik pohon individu menggunakan metode ITD
- Penyiapan data atribut pohon untuk analisis lanjutan
Sesi 4
- Konsep dasar biomassa tegakan
- Perhitungan biomassa menggunakan persamaan allometrik
- Analisis statistik dan interpretasi hasil pemodelan biomassa
Konten
Pendahuluan Data LiDAR dan Konsep Inventarisasi
Pengolahan DSM, DTM, dan CHM Berbasis Data LiDAR
Deteksi dan Ekstraksi Pohon Individu (Individual Tree Detection/ITD)
Silabus
01
Silabus Pelatihan
Akses silabus melalui link berikut: https://s.id/silabuslidar
Frequently Asked Question
Pelatihan ini ditujukan untuk siapa?
Pelatihan ini ditujukan bagi mahasiswa, peneliti, praktisi GIS, serta profesional yang ingin mempelajari pemanfaatan data LiDAR untuk analisis struktur vegetasi dan inventarisasi biomassa. Kelas ini berada pada level lanjutan awal (intermediate).
Apakah pelatihan ini cocok untuk pemula?
Pelatihan ini bersifat pemula-friendly untuk LiDAR, namun peserta disarankan sudah memiliki pemahaman dasar mengenai data spasial dan peta digital. Tidak diperlukan pengalaman sebelumnya dalam pengolahan data LiDAR atau pemodelan biomassa.
Metode pembelajaran seperti apa yang digunakan?
Pelatihan dilaksanakan secara synchronous learning melalui Zoom Meeting, dengan kombinasi pemaparan konsep dan praktik langsung. Fokus pembelajaran adalah praktik agar peserta memahami alur kerja analisis LiDAR secara bertahap.
Perangkat lunak apa saja yang digunakan dalam pelatihan?
Pelatihan menggunakan QGIS, CloudCompare, LiDAR360, RStudio, dan Excel untuk pengolahan, analisis, serta visualisasi data LiDAR.
Apakah pelatihan ini mencakup studi kasus atau praktik langsung?
Ya. Setiap sesi mencakup praktik langsung berbasis studi kasus, mulai dari visualisasi data LiDAR, pembuatan DSM/DTM/CHM, deteksi pohon, hingga pemodelan biomassa.
Sertifikat apa yang akan diperoleh peserta?
Peserta yang mengikuti minimal dua sesi berhak memperoleh Certificate of Completion. Kemudian peserta yang menyelesaikan Mini Project sesuai kriteria penilaian akan memperoleh Certificate of Appreciation dari Geosoftware.ID.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Pemahaman Dasar Data Spasial dan Konsep Topografi: Peserta disarankan memiliki pemahaman umum mengenai data spasial, seperti peta digital, sistem koordinat, serta konsep permukaan dan ketinggian. Pengetahuan ini membantu peserta memahami konteks analisis struktur vegetasi, medan, serta inventarisasi biomassa berbasis data LiDAR. 2. Familiar dengan Peta Digital dan Lingkungan GIS: Peserta diharapkan terbiasa membaca peta digital dan memahami representasi spasial seperti layer dan raster. Kemampuan ini penting untuk mendukung visualisasi point cloud, pengolahan data turunan LiDAR (DSM, DTM, dan CHM), serta penyajian hasil analisis menggunakan perangkat lunak GIS seperti QGIS dan CloudCompare. 3. Pemahaman Dasar Alur Kerja Analisis Data dan R Dasar: Peserta disarankan memiliki pemahaman dasar mengenai alur kerja analisis data, seperti pengolahan, ekstraksi variabel, dan interpretasi hasil. Pengalaman dasar menggunakan R (misalnya menjalankan script sederhana, memahami objek data, dan alur eksekusi perintah) akan sangat membantu dalam proses ekstraksi metrik vegetasi, pemodelan biomassa, serta analisis statistik. Namun, peserta tidak diwajibkan memiliki kemampuan pemrograman tingkat lanjut....
02
Spesifikasi Perangkat yang Disarankan:
1. Processor: Minimal Intel i3 / AMD Ryzen 3 atau setara. Direkomendasikan Intel i5 / AMD Ryzen 5 atau lebih tinggi agar proses pengolahan data LiDAR, visualisasi point cloud, serta analisis DSM, DTM, dan CHM dapat berjalan lebih lancar. 2. RAM: Minimum 8 GB. Disarankan 16 GB atau lebih untuk kenyamanan saat memproses data LiDAR berukuran besar dan menjalankan QGIS, CloudCompare, atau RStudio secara bersamaan. 3. Storage: Minimal 15–20 GB ruang kosong untuk instalasi perangkat lunak (QGIS, CloudCompare, LiDAR360, RStudio), penyimpanan data LiDAR (LAS/LAZ), file turunan (DSM, DTM, CHM), serta hasil analisis dan visualisasi. 4. Sistem Operasi: Windows 10/11 (64-bit), macOS versi terbaru, atau Linux (Ubuntu 20.04 LTS atau setara) yang mendukung instalasi dan kinerja optimal perangkat lunak GIS dan analisis data. 5. Koneksi Internet: Koneksi internet stabil dengan kecepatan minimal 5 Mbps.Digunakan untuk mengunduh data latihan, instalasi dan pembaruan perangkat lunak, serta mengikuti kelas daring melalui Zoom Meeting....
03
CATATAN
Pelatihan ini ditujukan bagi peserta yang ingin meningkatkan pemahaman dan keterampilan analisis struktur vegetasi dan inventarisasi biomassa berbasis data LiDAR. Kelas ini berada pada level lanjutan awal (intermediate), sehingga peserta diharapkan telah memahami dasar data spasial dan peta digital, namun belum dituntut memiliki kemampuan analisis LiDAR tingkat advanced. Materi disusun secara bertahap dan aplikatif, mencakup visualisasi dan eksplorasi data point cloud, pengolahan data LiDAR menjadi produk turunan seperti DSM, DTM, dan CHM, deteksi serta ekstraksi pohon berbasis area dan individu, hingga pemodelan biomassa menggunakan persamaan allometrik serta interpretasi hasil analisis....