Pemateri
Ilham Jamaluddin
Data Scientist/Instruktur GeosoftwareIlham Jamaluddin adalah seorang mahasiswa Doktoral (S3) di bidang Ilmu Komputer dan Teknik Informatika di National Central University, Taiwan. Beliau memiliki latar belakang pendidikan S2 dalam Sains dan Teknologi Penginderaan Jauh dari universitas yang sama dan S1 Kartografi dan Penginderaan Jauh dari Universitas Gadjah Mada (UGM). Fokus risetnya saat ini meliputi machine learning dan deep learning untuk analisis data penginderaan jauh seperti citra optik, SAR, dan LiDAR. Dengan pengalaman riset serta keahlian dalam pemrosesan data dan bahasa pemrograman seperti Python, Ilham memiliki pemahaman mendalam tentang penerapan teknologi komputasi dan perangkat lunak dalam analisis data kompleks.
Deskripsi
Pelatihan ini dirancang untuk memberikan pemahaman komprehensif kepada Sobat Geosoftware mengenai pemanfaatan Python dan citra satelit untuk analisis tutupan lahan menggunakan berbagai algoritma machine learning. Peserta akan mempelajari alur kerja lengkap pengolahan data raster, mulai dari pengenalan ulang dasar Python untuk geospasial, karakteristik citra satelit, hingga pembuatan spectral index sebagai variabel penting dalam klasifikasi. Materi juga mencakup pemrosesan awal seperti download citra menggunakan GEEMAP, quality control data raster, visualisasi informasi dasar citra, serta persiapan dataset melalui pembuatan sample training di QGIS. Tahapan ini membangun fondasi kuat agar peserta memahami bagaimana data citra dipersiapkan sebelum masuk ke proses analisis machine learning yang lebih mendalam.
Melalui praktik langsung di Google Colab, peserta mempelajari langkah-langkah teknis mulai dari pengolahan sample data, pelatihan model menggunakan algoritma XGBoost, evaluasi akurasi model, hingga melakukan fine tuning untuk meningkatkan performa klasifikasi. Peserta juga diperkenalkan pada penggunaan Neural Network (MLP) sebagai pendekatan alternatif, sehingga mampu membandingkan perbedaan karakteristik kedua algoritma dalam menghasilkan peta tutupan lahan. Pada sesi akhir, peserta melakukan interpretasi hasil klasifikasi, menerapkan model terbaik untuk data tahun berbeda, serta menyiapkan layout peta akhir untuk kebutuhan analisis maupun publikasi. Dengan pendekatan sistematis dari teori hingga analisis praktis, pelatihan ini memastikan peserta menguasai workflow end-to-end pemrosesan citra raster menggunakan Python dan mampu mengaplikasikannya dalam berbagai kajian geospasial maupun kebutuhan pemetaan lainnya.
Jadwal dan List Materi:
Sesi 1 — Mengulas Python, serta Download dan Pengolahan Awal Data Citra
- Review dasar Python untuk pemrosesan data geospasial (library: Rasterio, NumPy, GEEMAP)
- Pengenalan struktur dasar citra satelit dan cara membaca metadata raster
- Persiapan environment di Google Colab untuk pemrosesan citra
- Download citra satelit menggunakan GEEMAP beserta penambahan shapefile area studi
- Pengolahan awal raster: import data, pemeriksaan informasi raster, dan visualisasi citra
Sesi 2 — Pengolahan Lanjut Data Citra
- Feature extraction menggunakan spectral indices (NDVI, NDWI, NDBI, dll.)
- Export raster hasil pengolahan untuk proses klasifikasi
- Pembuatan training samples di QGIS berdasarkan citra yang sudah diproses
- Pemrosesan data sampel di Google Colab: import, analisis sebaran kelas, train–test split
- Persiapan dataset final untuk algoritma machine learning
Sesi 3 — Analisis Tutupan Lahan dengan Algoritma XGBoost (Extreme Gradient Boosting)
- Pengenalan konsep dan mekanisme kerja XGBoost untuk klasifikasi raster
- Pelatihan model menggunakan Scikit-Learn dengan input sampel data
- Evaluasi performa model: confusion matrix, akurasi, precision, recall, F1-score
- Fine tuning parameter dasar untuk meningkatkan akurasi model
- Pembuatan peta klasifikasi tutupan lahan berdasarkan model XGBoost
Sesi 4 — Analisis Tutupan Lahan dengan Algoritma Neural Network dan Perbandingan Hasil
- Pengenalan algoritma Neural Network (MLP) untuk klasifikasi penutup lahan
- Pelatihan dan fine tuning model Neural Network di Scikit-Learn
- Perbandingan hasil klasifikasi XGBoost vs Neural Network
- Penerapan model terbaik untuk klasifikasi tutupan lahan tahun berbeda
- Analisis hasil dan layouting peta akhir di Python
Konten
Mengulas Python, serta Download dan Pengolahan Awal Data Citra
Analisis Tutupan Lahan dengan Algoritma XGBoost
Silabus
01
Silabus
Akses silabus melalui link berikut: https://s.id/MateriPythonForLandCover
Frequently Asked Question
Apakah pelatihan ini cocok untuk pemula
Ya, pelatihan ini dirancang agar dapat diikuti peserta yang baru mulai belajar Python geospasial. Materi disusun bertahap mulai dari review dasar Python, pengenalan raster, hingga masuk ke analisis dan machine learning. Peserta tidak wajib mahir Python sebelumnya, tetapi familiaritas dasar akan membantu.
Apakah saya harus menginstal software khusus?
Peserta hanya memerlukan browser untuk menjalankan Google Colab. QGIS digunakan untuk pembuatan sample training, sehingga disarankan untuk menginstal QGIS versi terbaru sebelum pelatihan dimulai. Semua library Python dipasang otomatis melalui Colab.
Apakah data citra satelit disediakan?
Ya. Seluruh data, termasuk citra satelit, shapefile area studi, dan contoh dataset, disediakan panitia. Peserta juga akan mempelajari cara mendownload citra menggunakan GEEMAP agar dapat melanjutkan latihan mandiri.
Apakah saya akan mendapatkan sertifikat?
Ya. Peserta yang mengerjakan tugas sesuai ketentuan akan mendapatkan sertifikat dari Geosoftware.ID.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Dasar Geospasial & Citra Satelit: Memahami konsep dasar pemetaan seperti sistem koordinat, proyeksi, serta struktur data raster–vektor. Pengenalan awal terhadap citra satelit atau pemetaan penggunaan lahan akan membantu mengikuti materi pengolahan raster dan pembuatan spectral index. 2. Kemampuan Dasar Python & Komputer: Terbiasa menjalankan kode sederhana, mengelola folder, serta membaca file dalam berbagai format. Pemahaman ini penting untuk proses import data, eksplorasi raster, dan manajemen dataset di Google Colab. 3. Dasar Pengolahan Citra (Opsional): Pengetahuan umum mengenai nilai piksel, channel citra, atau konsep visualisasi akan mempermudah peserta memahami proses feature extraction dan analisis raster sebelum klasifikasi. 4. Kesiapan Menggunakan Tools Teknis: Tidak harus mahir QGIS maupun Python geospasial, namun peserta diharapkan siap mempelajari alur kerja baru yang melibatkan banyak tahapan teknis, terutama untuk pembuatan training samples, pelatihan model machine learning, serta analisis hasil klasifikasi....
02
Spesifikasi Perangkat yang Disarankan:
1. Sistem Operasi: Windows 10/11 (64-bit), macOS versi terbaru, atau Linux (misalnya Ubuntu 20.04 LTS). Seluruh tools yang digunakan—Python, Google Colab, QGIS, serta library geospasial—bersifat cross-platform sehingga dapat dijalankan pada OS tersebut tanpa kendala berarti. 2. Prosesor (CPU): Minimal Intel Core i5 generasi ke-8 atau AMD Ryzen 5 series untuk memastikan proses pengolahan raster, perhitungan spectral index, dan pelatihan model machine learning berjalan stabil. Prosesor kelas menengah sangat direkomendasikan mengingat beberapa operasi raster cukup komputasional. 3. Memori (RAM): Minimal 8 GB untuk menjalankan QGIS dan mengolah raster berukuran besar, namun 16 GB sangat direkomendasikan agar proses visualisasi, pembuatan sample data, serta analisis machine learning dapat berjalan lebih lancar tanpa bottleneck....
03
CATATAN
Pelatihan ini ditujukan bagi peserta yang ingin mempelajari pengolahan citra satelit menggunakan Python serta memahami proses klasifikasi tutupan lahan berbasis machine learning. Peserta akan mempelajari seluruh alur kerja, mulai dari pengenalan ulang konsep dasar raster dan instalasi lingkungan kerja di Google Colab, download serta preprocessing citra menggunakan GEEMAP dan Rasterio, hingga pengolahan lanjutan seperti pembuatan spectral index dan pembuatan sample training di QGIS. Materi kemudian berlanjut pada proses pelatihan model menggunakan algoritma XGBoost dan Neural Network, termasuk evaluasi performa, fine tuning, serta penerapan model pada data tahun berbeda. Pelatihan juga mencakup interpretasi hasil klasifikasi dan penyusunan layout peta akhir untuk kebutuhan analisis. Dengan penyusunan materi bertahap dari Sesi 1 sampai Sesi 4, pelatihan ini memastikan peserta memahami workflow lengkap pemrosesan citra raster dan klasifikasi tutupan lahan sehingga mampu menghasilkan peta yang akurat dan siap digunakan untuk pemetaan maupun kajian geospasial lainnya....