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.) 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 pada periode 2023–2024, dengan keterlibatan dalam kegiatan pembelajaran di bidang penginderaan jauh dan kartografi. Ia juga pernah bekerja sebagai GIS Intern di CV. Greentera Mapindo pada tahun 2024 serta memiliki pengalaman sebagai GIS and Remote Sensing Mentor untuk klien privat sejak 2025. Keahliannya mencakup Sistem Informasi Geografis (SIG), penginderaan jauh, kartografi, pengolahan citra satelit, dan analisis data geospasial. Bidang tersebut menjadi dasar dalam kegiatan pembelajaran, pemetaan, serta pengolahan dan interpretasi informasi spasial. Melalui pengalaman akademik dan profesionalnya, Wening berkontribusi dalam pengembangan keterampilan geospasial melalui pembelajaran yang aplikatif dan berbasis praktik.
Deskripsi
Pelatihan ini membekali peserta dengan kemampuan memanfaatkan Satellite Embedding AlphaEarth dari Google DeepMind untuk klasifikasi tutupan lahan dan analisis perubahan kawasan hutan dan lahan sawit. Studi kasus menggunakan data embedding tahunan untuk periode 2017–2024, dengan fokus pada pengenalan karakteristik data, klasifikasi tutupan lahan, pencarian area serupa, serta deteksi perubahan lahan. Seluruh proses dilakukan menggunakan Google Earth Engine (GEE) untuk pengolahan dan analisis data geospasial berbasis cloud.
Pada tahap awal, peserta akan mengenal Satellite Embedding AlphaEarth, karakteristik data embedding 64 dimensi, serta perbedaannya dengan citra satelit konvensional seperti Sentinel-2 dan Landsat. Peserta juga akan mempelajari persiapan Google Colab, autentikasi Google Earth Engine, pengambilan data Satellite Embedding V1 tahunan, serta visualisasi menggunakan kombinasi warna semu (false color) untuk memahami pola spasial dan karakteristik tutupan lahan.
Tahap berikutnya berfokus pada klasifikasi tutupan lahan menggunakan algoritma Random Forest dengan data embedding dan titik sampel. Peserta akan menguji model menggunakan variasi jumlah sampel, yaitu 5, 10, 25, 50, dan 100 titik per kelas, kemudian mengevaluasi hasil klasifikasi menggunakan overall accuracy dan matriks kebingungan (confusion matrix). Selanjutnya, peserta akan mempelajari pencarian area dengan karakteristik serupa (similarity mapping), penentuan ambang kemiripan, serta deteksi perubahan tutupan lahan antara tahun 2017 dan 2024. Pada tahap akhir, hasil analisis digunakan untuk menghitung luas setiap kelas tutupan lahan, menyusun matriks transisi perubahan, membuat peta perbandingan, serta mengekspor hasil dalam format GeoTIFF untuk divisualisasikan dan ditata di QGIS.
Jadwal dan List Materi:
Sesi 1 (Rabu, 4 November 2026) | 19.00–21.30 WIB
- Pengenalan Satellite Embedding AlphaEarth dan pengelompokan area
- Karakteristik data embedding 64 dimensi dan perbedaannya dengan citra satelit konvensional
- Persiapan Google Colab dan autentikasi Google Earth Engine
- Pengambilan data Satellite Embedding V1 tahunan
- Visualisasi embedding menggunakan kombinasi warna semu (false color)
- Pengelompokan pola permukaan menggunakan algoritma K-Means tanpa titik sampel (unsupervised clustering)
Sesi 2 (Jumat, 6 November 2026) | 19.00–21.30 WIB
- Pengenalan klasifikasi terbimbing (supervised classification) menggunakan Random Forest
- Persiapan data embedding dan penentuan titik sampel untuk pelatihan serta pengujian model
- Pelatihan dan pengujian model dengan variasi jumlah sampel, yaitu 5, 10, 25, 50, dan 100 titik per kelas
- Evaluasi akurasi klasifikasi menggunakan overall accuracy dan matriks kebingungan (confusion matrix)
- Perbandingan performa klasifikasi embedding dan Sentinel-2 menggunakan jumlah sampel serta skema pengujian yang setara
Sesi 3 (Sabtu, 7 November 2026) | 09.00–11.30 WIB
- Pengenalan konsep kemiripan vektor embedding dengan menggunakan dot product sebagai ukuran cosine similarity
- Pencarian area dengan karakteristik permukaan serupa berdasarkan satu titik referensi (similarity mapping)
- Penentuan ambang kemiripan (similarity threshold)
- Deteksi perubahan permukaan dengan membandingkan kemiripan embedding antarwaktu pada tahun 2017 dan 2024
- Identifikasi perubahan tutupan lahan, termasuk indikasi perubahan hutan menjadi perkebunan sawit, melalui perbandingan hasil klasifikasi dan peta referensi
Sesi 4 (Senin, 9 November 2026) | 19.00–21.30 WIB
- Penerapan klasifikasi pada tahun 2017 dan 2024 serta perhitungan luas setiap kelas tutupan lahan dalam hektare
- Penyusunan matriks transisi untuk menghitung luas perubahan antarkelas, termasuk perubahan hutan menjadi sawit
- Pembuatan peta perbandingan dua tahun menggunakan tampilan split map untuk mengevaluasi perubahan secara visual
- Ekspor hasil analisis ke format GeoTIFF dan visualisasi serta penataan peta di QGIS
- Interpretasi hasil, pemeriksaan akurasi dan keterbatasan metode embedding, serta penyusunan ringkasan temuan analisis
Sesi bootcamp
1
Sesi 1 — Pengenalan Satellite Embedding AlphaEarth dan Pengelompokan Area
Sesi ini membekali peserta dengan pemahaman dasar mengenai Satellite Embedding AlphaEarth dari Google DeepMind, karakteristik data embedding 64 dimensi, serta perbedaannya dengan citra satelit konvensional seperti Sentinel-2 dan Landsat. Peserta akan mempelajari persiapan Google Colab dan autentikasi Google Earth Engine (GEE), kemudian mengambil data Satellite Embedding V1 tahunan dan memvisualisasikannya menggunakan kombinasi warna semu (false color). Pada akhir sesi, peserta akan melakukan pengelompokan pola permukaan menggunakan algoritma K-Means tanpa titik sampel (unsupervised clustering) sebagai dasar untuk memahami karakteristik tutupan lahan....
2
Sesi 2 — Klasifikasi Tutupan Lahan dengan Sedikit Titik Sampel
Sesi ini membekali peserta dengan kemampuan melakukan klasifikasi tutupan lahan menggunakan data Satellite Embedding AlphaEarth dan algoritma Random Forest. Peserta akan mempelajari persiapan data embedding, penyusunan titik sampel untuk pelatihan dan pengujian model, serta pengujian menggunakan variasi jumlah sampel, yaitu 5, 10, 25, 50, dan 100 titik per kelas. Selanjutnya, peserta akan mengevaluasi hasil klasifikasi menggunakan overall accuracy dan matriks kebingungan (confusion matrix), serta membandingkan performa klasifikasi embedding dan Sentinel-2 dengan jumlah sampel dan skema pengujian yang setara....
3
Sesi 3 — Pencarian Area Serupa dan Deteksi Perubahan Lahan Tahun 2017–2024
Sesi ini membekali peserta dengan kemampuan mencari area yang memiliki karakteristik permukaan serupa menggunakan vektor embedding AlphaEarth. Peserta akan mempelajari pengukuran kemiripan menggunakan cosine similarity, pencarian area berdasarkan titik referensi (similarity mapping), serta penentuan ambang kemiripan (similarity threshold). Selanjutnya, peserta akan melakukan deteksi perubahan permukaan dengan membandingkan embedding tahun 2017 dan 2024, termasuk mengidentifikasi indikasi perubahan tutupan hutan menjadi perkebunan sawit melalui perbandingan hasil klasifikasi dan peta referensi....
4
Sesi 4 — Kuantifikasi Luas, Analisis Perubahan, dan Ekspor Hasil
Sesi ini membekali peserta dengan kemampuan menghitung luas tutupan lahan dan menganalisis perubahan antarkelas berdasarkan hasil klasifikasi tahun 2017 dan 2024. Peserta akan menyusun matriks transisi untuk mengetahui luas perubahan tutupan lahan, termasuk perubahan hutan menjadi perkebunan sawit, serta membuat peta perbandingan kedua tahun menggunakan tampilan split map untuk mengevaluasi perubahan secara visual. Pada tahap akhir, peserta akan mengekspor hasil analisis dalam format GeoTIFF, kemudian menginterpretasikan hasil perhitungan luas dan perubahan tutupan lahan dengan mempertimbangkan akurasi serta keterbatasan metode embedding....
Konten
Pengenalan Satellite Embedding AlphaEarth dan Pengelompokan Area
Klasifikasi Tutupan Lahan dengan Sedikit Titik Sampel
Pencarian Area Serupa dan Deteksi Perubahan Lahan Tahun 2017–2024
Silabus
01
Silabus Kelas 1
Akses silabus melalui link berikut: https://s.id/silabussatelit
Frequently Asked Question
Apakah pelatihan ini cocok untuk pemula di bidang embedding?
Cocok bagi peserta yang ingin mengenal Satellite Embedding AlphaEarth dari dasar. Ketertarikan pada GIS atau penginderaan jauh akan membantu, sedangkan pengalaman menggunakan embedding sebelumnya tidak diwajibkan.
Apakah harus memiliki pengalaman menggunakan Google Earth Engine?
Tidak harus. Peserta akan diperkenalkan dengan Google Earth Engine, Google Colab, dan tahapan pengambilan data yang dibutuhkan selama pelatihan.
Apakah harus bisa Python atau pemrograman sebelumnya?
Tidak menjadi persyaratan utama. Namun, pemahaman dasar pemrograman dapat membantu peserta mengikuti praktik pengolahan data dengan lebih lancar.
Apa yang akan dipelajari dalam pelatihan ini?
Materi mencakup pengenalan Satellite Embedding AlphaEarth, visualisasi dan pengelompokan area menggunakan K-Means, klasifikasi tutupan lahan dengan Random Forest, pencarian area serupa, deteksi perubahan tahun 2017–2024, perhitungan luas, matriks transisi, serta ekspor hasil ke GeoTIFF.
Apakah pelatihan membahas analisis perkebunan sawit dan hutan?
Ya. Studi kasus berfokus pada klasifikasi serta analisis perubahan kawasan hutan dan lahan sawit, termasuk pengamatan pola vegetasi dan indikasi perubahan tutupan lahan.
Apakah saya perlu menginstal software khusus?
Praktik utama menggunakan Google Earth Engine dan Google Colab melalui browser. Pastikan browser dan koneksi internet berfungsi dengan baik. Kebutuhan tambahan akan mengikuti instruksi pelatihan.
Apakah spesifikasi laptop harus tinggi?
Tidak harus menggunakan laptop berspesifikasi tinggi karena sebagian besar pengolahan dilakukan melalui cloud. Namun, disarankan menggunakan RAM minimal 8 GB, ruang penyimpanan kosong minimal 10 GB, dan koneksi internet stabil.
Apakah peserta akan mendapatkan data dan materi pelatihan?
Pelatihan mencantumkan modul dan data pelatihan sebagai benefit. Informasi akses dan cara memperoleh materi mengikuti petunjuk yang diberikan oleh penyelenggara.
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 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
Cocok untuk Kamu yang…
1. Mahasiswa atau peneliti di bidang geografi, penginderaan jauh, lingkungan, kehutanan, atau bidang terkait yang ingin mempelajari analisis tutupan lahan berbasis data geospasial. 2. Praktisi GIS dan penginderaan jauh yang ingin mengembangkan kemampuan menggunakan Satellite Embedding AlphaEarth untuk klasifikasi dan analisis perubahan tutupan lahan. 3. Peneliti atau analis lingkungan yang membutuhkan informasi spasial untuk mengidentifikasi karakteristik kawasan hutan dan perkebunan sawit. 4. Akademisi dan praktisi yang ingin mempelajari pemanfaatan teknologi AI dan data embedding untuk klasifikasi tutupan lahan, pencarian area serupa, serta deteksi perubahan dari tahun ke tahun. 5. Pengguna GIS yang ingin mengembangkan keterampilan analisis geospasial berbasis cloud menggunakan Google Earth Engine dan Google Colab....
02
Kemampuan Dasar yang Disarankan untuk Peserta
1. Memiliki ketertarikan pada bidang GIS, penginderaan jauh, kehutanan, lingkungan, atau analisis geospasial. 2. Memahami dasar-dasar GIS, seperti data raster, data vektor, sistem koordinat, dan visualisasi peta akan membantu peserta mengikuti praktik. 3. Mampu mengoperasikan komputer dan melakukan aktivitas dasar, seperti mengelola file, menggunakan browser, serta mengakses internet. 4. Memiliki pemahaman dasar mengenai citra satelit dan informasi spasial akan membantu peserta memahami proses klasifikasi serta analisis perubahan tutupan lahan. 5. Pengalaman menggunakan Google Earth Engine, Google Colab, atau pemrograman sebelumnya tidak menjadi persyaratan utama. Konsep dasar dan tahapan praktik akan diperkenalkan secara bertahap selama pelatihan....
03
Spesifikasi Perangkat yang Disarankan
1. Processor: minimal Intel Core i3 atau AMD Ryzen 3 atau setara. 2. RAM: minimal 8 GB agar browser dan kebutuhan praktik dapat berjalan dengan baik. 3. Penyimpanan: tersedia ruang kosong minimal 10 GB untuk menyimpan data pendukung dan hasil latihan. 4. Browser: menggunakan versi terbaru Google Chrome, Microsoft Edge, atau browser berbasis Chromium lainnya. 5. Koneksi internet: koneksi internet yang stabil diperlukan untuk mengakses Google Earth Engine, Google Colab, dan mengunduh hasil analisis. Sebagian besar proses pengolahan dilakukan melalui layanan berbasis cloud, sehingga kebutuhan komputasi lokal dapat lebih ringan. Namun, perangkat yang memadai dan koneksi internet yang stabil tetap disarankan untuk menunjang kelancaran praktik....
04
CATATAN
Pelatihan ini berfokus pada pemanfaatan Satellite Embedding AlphaEarth untuk klasifikasi tutupan lahan, pencarian area dengan karakteristik serupa, serta analisis perubahan kawasan hutan dan lahan sawit pada periode 2017–2024. Peserta akan mengikuti alur praktik secara bertahap, mulai dari pengenalan data embedding, visualisasi dan pengelompokan area, klasifikasi menggunakan Random Forest, hingga perhitungan luas dan ekspor hasil analisis. Praktik dilakukan menggunakan Google Earth Engine dan Google Colab dengan dataset serta tahapan analisis yang disiapkan untuk pelatihan. Pengalaman pemrograman sebelumnya tidak menjadi persyaratan utama, tetapi pemahaman dasar GIS dan penginderaan jauh akan membantu peserta mengikuti materi. Hasil analisis perlu diinterpretasikan dengan mempertimbangkan akurasi klasifikasi, ketersediaan titik sampel, dan keterbatasan metode yang digunakan....