Pemateri
Muhammad Irfansyah Lubis
Wildlife Conservation Researcher/Geosoftware InstructorMuhammad Irfansyah Lubis adalah peneliti dan praktisi konservasi keanekaragaman hayati dengan keahlian pada GIS, penginderaan jauh, dan analisis spasial untuk mendukung pengelolaan kawasan konservasi dan perlindungan spesies kunci. Ia menyelesaikan pendidikan doktoralnya di Nanyang Technological University, Singapura, setelah menempuh studi magister di James Cook University, Australia melalui Australian Awards Scholarship. Dengan pengalaman lebih dari 15 tahun, ia telah terlibat dalam berbagai proyek konservasi bersama WWF, GIZ, dan WCS, termasuk pemodelan habitat dan ancaman bagi harimau, badak, dan gajah Sumatra. Saat ini, ia aktif sebagai Peneliti di BRIN, dengan fokus pada riset berbasis data spasial untuk mendukung kebijakan dan pengelolaan lingkungan berkelanjutan.
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman komprehensif mengenai analisis spasial tematik menggunakan R untuk kajian deforestasi, fragmentasi hutan, serta identifikasi area bernilai konservasi. Peserta akan mempelajari pendekatan analisis berbasis data spasial multitemporal untuk mengevaluasi perubahan tutupan lahan, memahami dinamika lanskap, serta menyusun rekomendasi pengelolaan berbasis data. Materi disusun secara sistematis dan aplikatif agar peserta mampu memahami alur analisis dari pengolahan data mentah hingga penyusunan peta tematik untuk kebutuhan monitoring dan konservasi.
Pada tahap awal, peserta akan mempelajari konsep Business As Usual (BAU) dalam perubahan tutupan lahan serta teknik pengolahan data tutupan hutan multitemporal. Materi mencakup analisis perubahan tutupan lahan, perhitungan laju deforestasi historis, serta pemetaan hasil analisis untuk kebutuhan monitoring dan pelaporan berbasis spasial.
Selanjutnya, pelatihan berfokus pada analisis fragmentasi hutan melalui konsep patch, edge, dan connectivity, serta penerapan landscape metrics untuk mengevaluasi struktur dan konektivitas lanskap. Peserta akan mempelajari interpretasi ekologis hasil fragmentasi serta analisis efisiensi tata ruang untuk mendukung strategi produksi dan konservasi yang berkelanjutan.
Pada sesi lanjutan, peserta akan mendalami analisis spasial HCS (High Carbon Stock) dan HCV (High Conservation Value), meliputi prinsip dasar, integrasi data biofisik, identifikasi area bernilai konservasi, serta delineasi dan pemetaan area prioritas. Pelatihan ditutup dengan penyusunan peta rekomendasi konservasi sebagai bentuk sintesis hasil analisis tematik yang telah dilakukan.
Jadwal dan List Materi:
Sesi 1
- Konsep regresi logistik untuk analisis risiko
- Identifikasi variabel pendorong deforestasi
- Pembangunan model regresi logistik
- Evaluasi performa model
- Pemetaan probabilitas risiko deforestasi
Sesi 2
- Konsep Random Forest untuk prediksi spasial
- Training dan validasi model machine learning
- Analisis kontribusi dan pentingnya variabel
- Evaluasi akurasi model
- Pemetaan risiko deforestasi berbasis ML
Sesi 3
- Integrasi data hotspot dan variabel lingkungan
- Pemodelan risiko kebakaran (regresi dan/atau ML)
- Evaluasi dan interpretasi model risiko
- Pemetaan tingkat risiko kebakaran
- Pemanfaatan hasil analisis untuk mitigasi dan pencegahan karhutla
Konten
Prediksi Risiko Deforestasi dengan Regresi Logistik
Prediksi Risiko Deforestasi dengan Machine Learning
Silabus
01
Silabus Pelatihan
Akses silabus melalui link berikut: https://s.id/silabusR_kelas3
Frequently Asked Question
Apakah saya harus mengikuti Kelas 1 dan 2 terlebih dahulu?
Sangat disarankan. Kelas ini merupakan level lanjutan, sehingga peserta sebaiknya sudah memahami dasar R, analisis spasial, serta analisis tematik sebelum mengikuti pelatihan ini.
Apakah kelas ini cocok untuk pemula?
Tidak direkomendasikan untuk pemula tanpa dasar R dan GIS. Peserta minimal perlu memahami struktur data di R, operasi spasial dasar, serta konsep perubahan tutupan lahan.
Metode apa saja yang akan dipelajari?
Peserta akan mempelajari regresi logistik untuk analisis risiko, machine learning (Random Forest) untuk prediksi spasial, serta pemodelan dan pemetaan risiko kebakaran hutan.
Apakah kelas ini praktik langsung (hands-on)?
Ya. Peserta akan membangun model, melakukan training dan validasi, mengevaluasi performa model, serta menghasilkan peta probabilitas dan peta risiko secara langsung di R.
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 1 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.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Memahami Konsep Data Spasial dan Variabel Lingkungan: Peserta disarankan telah memahami konsep peta digital, data vektor dan raster, sistem koordinat (CRS), serta proses overlay dan ekstraksi variabel spasial. Pemahaman mengenai perubahan tutupan lahan dan faktor-faktor lingkungan (misalnya jarak ke jalan, kemiringan, tutupan lahan) akan sangat membantu dalam mengikuti proses pemodelan risiko. 2. Terbiasa Menggunakan Software GIS dan Pengolahan Layer Spasial: Peserta sebaiknya telah familiar dengan penggunaan QGIS, ArcGIS, atau software GIS lainnya, termasuk melakukan clipping, overlay, ekstraksi raster, dan manajemen layer. Kemampuan ini penting untuk memahami penyusunan dataset pemodelan serta interpretasi hasil dalam bentuk peta probabilitas dan peta risiko. 3. Memiliki Dasar Penggunaan R dan Analisis Statistik: Peserta disarankan telah memahami dasar penggunaan R, seperti membaca data, mengelola data frame, serta menjalankan script analisis sederhana. Pemahaman konsep statistik dasar (misalnya regresi, validasi model, dan evaluasi akurasi) akan sangat membantu dalam mengikuti materi regresi logistik dan machine learning. Pengalaman machine learning sebelumnya tidak wajib, namun akan menjadi nilai tambah....
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 regresi dan machine learning (misalnya Random Forest), evaluasi model, serta pemetaan probabilitas risiko dapat berjalan lebih cepat dan stabil. 2. RAM: Minimum 8 GB. Disarankan 16 GB atau lebih untuk kenyamanan saat memproses dataset spasial berukuran besar, menjalankan RStudio dan software GIS secara bersamaan, serta melakukan training model machine learning. 3. Storage: Minimal 20 GB ruang kosong untuk instalasi R, RStudio, QGIS (opsional), penyimpanan dataset pemodelan, serta output raster probabilitas dan peta risiko. 4. Sistem Operasi: Windows 10/11 (64-bit), macOS versi terbaru, atau Linux (Ubuntu 20.04 LTS atau setara) yang mendukung instalasi R, RStudio, dan package pemodelan statistik serta machine learning. 4. Koneksi Internet: Koneksi internet stabil dengan kecepatan minimal 5 Mbps untuk mengunduh dataset latihan, instalasi dan pembaruan package R, serta mengikuti kelas daring melalui Zoom Meeting....
03
CATATAN
Pelatihan ini ditujukan bagi peserta yang ingin memperdalam kemampuan pemodelan spasial prediktif menggunakan R, khususnya dalam analisis risiko deforestasi dan kebakaran hutan. Kelas ini berada pada level lanjutan (advanced–intermediate), sehingga peserta disarankan telah memahami dasar penggunaan R, konsep data spasial, serta analisis tematik sebelum mengikuti pelatihan. Materi disusun secara sistematis dan aplikatif, mencakup pembangunan model regresi logistik, penerapan machine learning (Random Forest), evaluasi performa model, hingga pemetaan probabilitas dan tingkat risiko sebagai dasar penyusunan strategi mitigasi berbasis data spasial....