Pemateri
Asep Purnama
Remote Sensing & GIS Instructor at Geosoftware.IDAsep Purnama merupakan praktisi di bidang remote sensing, GIS, dan mineral prospectivity mapping dengan latar belakang pendidikan Geofisika dari Universitas Padjadjaran. Ia memiliki pengalaman dalam pemanfaatan data spasial dan citra multispektral untuk eksplorasi mineral, khususnya melalui analisis citra ASTER, Sentinel-2, dan Landsat, interpretasi alterasi hidrotermal, serta pengolahan data di Google Earth Engine dan QGIS. Topik skripsinya berfokus pada deteksi keberadaan micro seepage hidrokarbon menggunakan metode remote sensing multispektral. Saat ini, ia bekerja sebagai Remote Sensing Engineer & Spatial Data Analyst di APRIL, serta pernah menjadi Database Support di PT Trimitra Baterai Prakasa dan Spatial Data Science Intern di PT Merdeka Copper Gold. Selain aktif sebagai instruktur di Geosoftware.ID, ia juga memiliki spesialisasi pada topik Advanced Remote Sensing dan Mineral Prospectivity Mapping, termasuk pengembangan workflow berbasis Python, spectral feature engineering, dan integrasi data geologi untuk pemetaan prospek mineral.
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman mengenai penerapan machine learning untuk analisis dan pemetaan prospek mineral. Peserta akan mempelajari bagaimana data hasil remote sensing dapat diolah menjadi dataset yang siap digunakan untuk membangun model prediksi zona prospek mineral.
Pada tahap awal, peserta akan diperkenalkan dengan konsep dasar machine learning dalam analisis spasial, perbedaan supervised dan unsupervised learning, serta teknik penyusunan data training. Peserta akan mempelajari proses penentuan label deposit dan non-deposit, teknik sampling, serta ekstraksi nilai raster menjadi dataset feature dan label.
Pada sesi berikutnya, peserta akan mempelajari berbagai teknik feature engineering untuk meningkatkan kualitas model. Materi meliputi seleksi feature menggunakan korelasi, feature importance, eliminasi feature redundan, serta penambahan parameter spasial seperti DEM, slope, dan data topografi lainnya. Dataset kemudian akan diproses melalui scaling dan normalization sebelum digunakan untuk training model.
Pada tahap akhir, pelatihan difokuskan pada pembangunan dan evaluasi model machine learning untuk klasifikasi prospek mineral. Peserta akan mempelajari proses training model, evaluasi performa, interpretasi hasil klasifikasi, hingga pembuatan raster probabilitas prospek mineral. Hasil akhir berupa peta zona prioritas akan dibandingkan dengan pendekatan rule-based classification sehingga peserta memahami kelebihan dan keterbatasan masing-masing metode.
Jadwal dan List Materi:
Sesi 1 (Kamis, 21 Mei 2026 pukul 19.00–21.30 WIB)
- Konsep machine learning dalam geospatial analysis
- Perbedaan supervised dan unsupervised learning
- Penentuan label deposit dan non-deposit
- Teknik sampling data training
- Ekstraksi nilai raster ke titik
- Penyusunan dataset feature dan label
Sesi 2 (Sabtu, 23 Mei 2026 pukul 09.00–11.30 WIB)
- Seleksi feature menggunakan korelasi
- Feature importance dan eliminasi feature redundan
- Penambahan data DEM, slope, dan spatial feature
- Scaling dan normalization
- Evaluasi kualitas feature untuk model
- Penyusunan dataset akhir untuk training
Sesi 3 (Minggu, 24 Mei 2026 pukul 13.00–15.30 WIB)
- Konsep model machine learning untuk klasifikasi
- Pemilihan algoritma dan parameter penting
- Training model machine learning
- Evaluasi performa model
- Interpretasi hasil klasifikasi
- Penyusunan model prospek mineral terlatih
Sesi 4 (Senin, 25 Mei 2026 pukul 19.00–21.30 WIB)
- Prediksi spasial menggunakan model terlatih
- Pembuatan raster probabilitas prospek mineral
- Penentuan threshold probabilitas
- Interpretasi dan delineasi zona prioritas
- Perbandingan hasil rule-based classification dan machine learning
- Penyusunan peta akhir dan analisis prospek mineral
Sesi bootcamp
1
Pendahuluan Machine Learning dan Persiapan Dataset
Sesi ini dirancang untuk memberikan pemahaman dasar kepada peserta mengenai penerapan machine learning dalam pemetaan prospek mineral. Peserta akan mempelajari konsep machine learning dalam analisis spasial, perbedaan supervised dan unsupervised learning, penentuan label deposit dan non-deposit, teknik sampling, serta proses ekstraksi nilai raster ke titik untuk menyusun dataset feature dan label....
2
Feature Engineering untuk Machine Learning
Sesi ini membahas proses peningkatan kualitas dataset sebelum digunakan untuk training model. Peserta akan mempelajari seleksi feature menggunakan korelasi, feature importance, eliminasi feature redundan, serta penambahan parameter spasial seperti DEM, slope, dan data topografi lainnya. Selain itu, peserta juga akan mempelajari proses scaling dan normalization untuk menghasilkan dataset yang lebih optimal....
3
Pembangunan dan Evaluasi Model Machine Learning
Sesi ini difokuskan pada proses pembangunan model machine learning untuk klasifikasi prospek mineral. Peserta akan mempelajari pemilihan algoritma, proses training model, evaluasi performa model, serta interpretasi hasil klasifikasi. Di akhir sesi, peserta akan memahami bagaimana menyusun model prospek mineral yang siap digunakan untuk prediksi spasial....
4
Prediksi dan Pembuatan Peta Probabilitas Prospek Mineral
Sesi ini membahas penerapan model terlatih untuk menghasilkan peta prospek mineral. Peserta akan mempelajari proses prediksi spasial, pembuatan raster probabilitas, penentuan threshold, serta delineasi zona prioritas. Hasil akhir kemudian dibandingkan dengan pendekatan rule-based classification sehingga peserta dapat memahami kelebihan dan keterbatasan masing-masing metode....
Konten
Pendahuluan Machine Learning dan Persiapan Dataset
Feature Engineering untuk Machine Learning
Pembangunan dan Evaluasi Model Machine Learning
Silabus
01
Silabus Kelas 2
Akses silabus melalui link berikut: https://s.id/silabusmineral2
Frequently Asked Question
Apakah kelas ini cocok untuk pemula?
Kelas ini berada pada level menengah, sehingga lebih cocok bagi peserta yang telah memahami dasar remote sensing, GIS, dan pemetaan prospek mineral. Peserta pemula tetap dapat mengikuti, tetapi disarankan telah mengikuti Kelas 1 atau memiliki pengalaman yang setara.
Apakah harus bisa coding sebelum mengikuti kelas?
Tidak harus mahir, tetapi peserta disarankan sudah familiar dengan dasar Python atau R, seperti menjalankan script sederhana dan memahami alur analisis data.
Software apa saja yang digunakan dalam kelas?
Kelas akan menggunakan Google Earth Engine, QGIS, serta Python atau R untuk proses feature engineering, training model, dan visualisasi hasil.
Apakah peserta akan mendapatkan rekaman kelas?
Ya, peserta akan memperoleh rekaman setiap sesi sehingga materi dapat dipelajari kembali setelah kelas selesai.
Apakah dataset dan file latihan disediakan?
Ya. Peserta akan mendapatkan dataset, file latihan, serta materi yang digunakan selama proses pelatihan.
Apakah bisa mengikuti hanya Kelas 2 saja?
Bisa. Namun, karena materi Kelas 2 melanjutkan pembahasan dari Kelas 1, peserta disarankan telah memahami dasar pemetaan prospek mineral terlebih dahulu.
Apakah peserta akan membuat model machine learning sendiri?
Ya. Pada akhir pelatihan, peserta akan mempraktikkan penyusunan dataset, training model, evaluasi performa, hingga pembuatan peta probabilitas prospek mineral.
Apakah peserta mendapatkan sertifikat?
Ya, tersedia dua jenis sertifikat: 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
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Peserta disarankan telah memahami dasar pemetaan prospek mineral menggunakan remote sensing, termasuk konsep mineralisasi, alterasi hidrotermal, band ratio, alteration index, PCA, dan integrasi data spasial. 2. Peserta diharapkan terbiasa menggunakan QGIS dan Google Earth Engine untuk pengolahan citra, visualisasi raster, serta ekstraksi data spasial. 3. Peserta disarankan memiliki pemahaman dasar mengenai machine learning, seperti konsep data training, feature, label, dan proses klasifikasi. 4. Peserta juga disarankan memiliki pengalaman dasar menggunakan Python atau R, terutama untuk menjalankan script sederhana dan memahami alur analisis data. Kemampuan pemrograman tingkat lanjut tidak wajib, tetapi akan membantu selama proses training model....
02
Spesifikasi Perangkat yang Disarankan:
1. Processor: Minimal Intel i5 / AMD Ryzen 5 atau setara. Direkomendasikan Intel i7 / AMD Ryzen 7 atau lebih tinggi agar proses training model dan pengolahan data berjalan lebih lancar. 2. RAM: Minimal 8 GB. Disarankan 16 GB atau lebih untuk menjalankan QGIS, Google Earth Engine, Python/R, dan proses machine learning secara bersamaan. 3. Storage: Minimal 15–20 GB ruang kosong untuk instalasi QGIS, Python/R, library machine learning, penyimpanan dataset, serta hasil model dan peta probabilitas. 4. Sistem Operasi: Windows 10/11 (64-bit), macOS versi terbaru, atau Linux yang mendukung instalasi QGIS, Python/R, dan library machine learning. 5. Koneksi Internet: Minimal 5 Mbps dan stabil untuk mengakses Google Earth Engine, mengunduh dataset, instalasi software, dan mengikuti kelas melalui Zoom Meeting....
03
CATATAN
Pelatihan ini ditujukan bagi peserta yang ingin mempelajari penerapan machine learning untuk pemetaan prospek mineral. Kelas berada pada level menengah, sehingga cocok untuk peserta yang telah memahami dasar remote sensing, pengolahan citra satelit, dan penyusunan peta prospek mineral, tetapi belum memiliki pengalaman dalam pembangunan model machine learning. Materi disusun secara bertahap dan aplikatif, mulai dari penyusunan dataset feature dan label, feature engineering, training model, hingga pembuatan peta probabilitas prospek mineral dan perbandingannya dengan pendekatan rule-based classification....