Kind: captions
Language: id
Indonesia. Pelayanan kami terbuka untuk
perusahaan, pemerintahan, perorangan,
ataupun pemerhati lingkungan. Ekoed Eedu
selalu berusaha menyajikan pelatihan
yang berkualitas dengan menghadirkan
pengajar yang berpengalaman.
Memberikan pengalaman langsung dengan
praktikum
dan e-learning yang dapat diakses di
manapun.
Jadi awalnya saya mengikuti pelatihan
Eco Edio ini memang dari grup-grup di
alumni ya Mbak ya yang pernah ikut
pelatihan ini. Cerita mereka itu sungguh
bisa dianggap menarik ya karena mereka
pengetahuan mereka tentang yang pengin
mereka ketahui itu meningkat gitu ya.
Kemudian skill-skill yang dihasilkan
dari hasil pelatihan itu juga cukup bisa
dilihat begitu ya, terasa gitu
manfaatnya di kami terutama untuk ee
para konsultan yang memerlukan
tenaga-tenaga ahli begitu sehingga saya
memilih Eko Edu dan sempat mengikuti
pelatihannya juga dan itu terbukti benar
begitu.
Nah, saya lihat Instagram itu ada EQU ya
yang akan menyelenggarakan pelatihan.
Nah, di situ juga saya baca-baca
terlebih dahulu ya terkait tentang
informasi yang disediakan oleh Bapak
Ibu. Nah, menurut saya itu menjadi hal
yang membuat tertarik untuk ikut
pelatihan gitu Bu. Jadi saya sering
lihat di Instagram gitu bagaimana Eko
Aidu menyampaikan informasinya. Eko itu
bagus karena pelatihan-pelatihannya itu
selalu terkini terus mengikuti zaman dan
juga pelatihnya atau mentornya itu
bagus-bagus dan terbaiklah di
bidangnyaitu.
Iya. ee yang pertama memang tentu saja
ini meningkatkan dan memaksimalkan
skill-skill yang saya harapkan begitu ya
dalam terutama dalam penyusunan dokumen
AMDAL eh kinerja saya jadi bisa lebih
produktif, lebih efektif juga ee punya
update gitu ya, update-update
persoalan-persoalan dalam penyusunan
AMDAL terkini dari ahlinya langsung di
lapangan begitu yang pengalamannya tidak
diragukan. Menurut saya pelatihan yang
disediakan Fed ini sangat bermanfaat
sekali dan mudah untuk aksesnya gitu.
Jadi ada teknologi terbaru yang saya
dapat yaitu di e-learning ya itu luar
biasa e pembelajarannya juga mudah
sekali untuk dipahami.
Alhamdulillah ee bisa mengikuti dan juga
menambah ilmu pengetahuan yang banyak
banget.
Eh, e-learning ini memang di memang
sangat diperlukan sekali ya, terutama
untuk kita yang dengan keterbatasan
pengetahuan kemudian juga waktu mungkin
ee itu memberikan kita kesempatan untuk
kembali mengingat, kembali mendengarkan
paparan-paparan yang mungkin kurang
jelas. Kemudian juga kita bisa mengulang
sesering mungkin yang kita inginkan.
kita juga bisa review kembali sehingga
belajar kita bisa lebih efektif dan
efisien.
Learning itu membantu sekali ketika pada
saat penyampaian materi ada yang
ketinggalan gitu ya. Jadi ee saya bisa
lihat materi itu di e-learning itu Bu
sangat membantu Mbak. Jadi saya ee ambil
materi terus lihat video yang bisa
diakses kapan aja dan di mana aja.
4 juta dengan informasi yang kami
peroleh itu jauh dari kata padan
sebenarnya. Jadi apa namanya ya kalau
saya bilang terlalu murah itu
sebadanlah.
Jadi menurut saya sepadan Bu karena
memang ee pelatihannya ini pun sangat
membantu ya dalam menyelesaikan satu
pekerjaan yang ada di ee sekitar
lingkungan saya sendiri gitu. Ee saya
kira sepatuaah
dengan apa yang didapatkan.
E-KTP
efektif, tepat, dan profesional.
Hemat, cermat, dan hebat.
Keren, profesional dan juga kekinian.
Asalamualaikum warahmatullahi
wabarakatuh. Selamat siang Bapak, Ibu,
dan rekan-rekan sekalian. Selamat datang
kembali di webinar Eko Edu ke-127.
Saya ucapkan terima kasih kepada Bapak
Ibu semua yang sudah selalu setia untuk
mengikuti acara webinar ini. Hari ini
webinar Eko akan mengangkat tema
analisis permasalahan lingkungan. Dan
perkenalkan saya Dini yang akan bertugas
sebagai moderator pada acara ini. Ee
baik Bapak Ibu semuanya, sebelum kita
mulai webinar pada siang ini, alangkah
baiknya kita berdoa bersama-sama sesuai
dengan agama dan kepercayaan
masing-masing. Untuk itu berdoa
dipersilakan.
Baik, untuk berdoa dicukupkan dan untuk
acara selanjutnya mari kita menyanyikan
lagu Indonesia Raya secara bersama-sama.
Diharapkan kepada Bapak Ibu untuk duduk
tegak.
[Musik]
[Tepuk tangan]
[Musik]
[Tepuk tangan]
[Musik]
Ya. Baik Bapak Ibu semuanya untuk
selanjutnya di sini izinkan saya untuk
mempromosikan tiga pelatihan dalam waktu
dekat ini yang akan diselenggarakan oleh
kami
yaitu yang pertama kami akan mengadakan
pelatihan dan sertifikasi penanggung
jawab pengendalian pencemaran air atau
PPPA pada gelombang 3 yang akan
dilaksanakan pada tanggal 29 September
hingga 3 Oktober 2025. Adapun biaya
investasi pada sertifikat tersebut yaitu
Rp8.500.000.
Kemudian dilanjutkan pada minggu
depannya yaitu di tanggal 6 sampai 8
Oktober 2025. Di sini kami akan
melaksanakan pelatihan penyusunan
laporan pemantauan lingkungan atau
RKLRPL
ee gelombang 4 dan dilanjutkan lagi di
minggu depannya yakni di tanggal 13
hingga 17 Oktober 2025. Di sini kami
akan mengadakan pelatihan penunjang
dokumen AMDAL terkait persetujuan teknis
untuk air limbah gelombang 25. Dan untuk
kedua pelatihan ini apabila Bapak Ibu
melakukan pembayaran di H-1 pelatihan,
Bapak Ibu akan mendapatkan diskon
sebesar 10%.
Dan untuk informasi lebih lanjut dapat
menghubungi admin kami di Riris dan
Nisa. Dan Bapak Ibu juga bisa
mengunjungi sosial media kami yaitu ada
Instagram, YouTube channel, Facebook X
dan juga website resmi kami di
www.ecoedu.co.id
dan juga Bapak Ibu apabila tertarik
langsung untuk mendaftarnya silakan saja
diakses ke pendaftaran.co.id.
Dan selain itu juga kami di sini
terdapat inhouse training yang dapat
dilakukan secara offline maupun online
sesuai dengan permintaan dari instansi
perusahaan Bapak Ibu semuanya. Jadi kami
tunggu di pelatihan
dan baik Bapak Ibu semuanya di sini kita
langsung saja untuk masuk pada kegiatan
utama kita di mana webinar kali ini kita
akan mendiskusikan terkait analisis
permasalahan lingkungan.
Dan tentu saja di sini kami juga telah
menghadirkan narasumber yang sangat
kompeten di bidangnya untuk memberikan
materi dan wawasan yang bermanfaat.
Untuk itu, baik perkenankan saya untuk
memperkenalkan narasumber kita hari ini
yaitu
Bapak Dr. Eng Asep Sofan, STMT. Beliau
merupakan dosen Teknik Lingkungan di
Institut Teknologi Bandung. Dan ee
mungkin saya akan sapa terlebih dahulu.
Selamat siang, Pak Asep. Selamat siang.
Apakah suara saya terdengar?
Iya, terdengar, Pak Asep.
Baik,
ya. Bagaimana, Pak, kabarnya siang hari
ini?
Kabarnya baik, alhamdulillah.
Oke. Iya. Baik, Pak. Kalau gitu mungkin
ee kita langsung saja untuk waktu dan
tempat saya serahkan kepada Pak Asep dan
untuk kepada Bapak, Ibu semuanya selamat
mengikuti acara webinar ini.
Baik.
Ee Bapak, Ibu yang saya hormati.
Ini ee tiba-tiba saja videonya tidak
muncul ya. Ya, tidak apa-apa. Mungkin ee
saya akan
matikan video. Ee Bapak, Ibu yang saya
hormati, ee izinkan saya untuk
menyampaikan
materi pada hari ini. Mungkin saya akan
share screen.
Bagaimana? Apakah sudah full screen?
Iya, sudah, Pak.
Sudah. Ya. Iya. Ee perkenalkan saya Asep
Sofyan, dosen di Teknik Lingkungan ITB.
Pada hari ini saya ditugaskan oleh Eko
Edu untuk memberikan
ee topik analisis permasalahan
lingkungan.
Sekali lagi terima kasih kepada Eko Edu
yang telah mengundang. Mudah-mudahan
pelatihan ini bisa kita manfaatkan untuk
menambah wawasan kita.
Saya akan mulai dengan apa itu
permasalahan lingkungan ya. Jadi
permasalahan lingkungan ini bisa kita
lihat dari sisi filosofis maupun
konseptual.
M masalah lingkungan sebagai
masalah kita sehari-hari ya.
Saat ini sudah banyak perdebatan.
kita harus berpusat kepada
manusia,
kepada lingkungan atau kepada kehidupan
sosial, ya. Nah, ini paradigma yang
terus kita diskusikan sampai saat sampai
saat ini.
Kemudian juga dari sisi paradigma
pembangunan saat ini sudah bergeser dari
pertumbuhan menuju keberlanjutan.
Untuk mengatasi atau menyelesaikan
masalah lingkungan itu memang kita harus
melihat permasalahan lingkungan dari
berbagai
aspek ya.
Yang pertama dari aspek geofisik
kita ketika melihat masalah pencemaran,
degradasi ekosistem, perubahan iklim.
Mau tidak mau kita sebagai orang
lingkungan harus memahami
apa saja parameter fisika, kimia,
biologi yang terlibat di dalam
pencemaran.
Mengapa pencemaran itu terjadi? Apa saja
variabel fisik, kimia, biologi yang
terlibat? Ya, demikian juga untuk
degradasi ekosistem maupun perubahan
iklim.
Kemudian juga kita sebagai ahli
lingkungan perlu melihat dari sisi
teknologi pengendalian lingkungan ya,
bagaimana dari aspek energi ya, sumber
daya ataupun limbah yang dihasilkan
ini menjadi penting
bukan hanya satu aspek saja misalnya
aspek limbah saja itu sekarang sudah
tidak berlaku, ya.
Artinya untuk
memahami suatu masalah lingkungan yang
menghasilkan limbah, kita harus melihat
ke hulunya ya. ee efisiensi sumber daya
ada produksi bersih, life cycle
assessment ya itu adalah contoh-contoh
aspek yang melihat dari hulu sampai ke
hilir.
Saat ini juga kita perlu melihat dari
aspek ekonomi.
Bagaimana masalah lingkungan ini apakah
masih dilihat sebagai faktor luar atau
eksternal ya. maka kita harus berusaha
untuk menjadi internal, faktor internal
menjadi faktor produksi ya dari
eksternal menuju internal. Kita juga
perlu melihatnya dari sisi ekonomi
secara makro ya. Bagaimana green ekonomi
ini harus diterapkan baik di lingkungan
yang kecil maupun lingkungan yang besar
misalnya dalam sebuah negara ya.
termasuk juga sirkular ekonomi.
Bagaimana ekonomi
dari limbah yang kita hasilkan kita
hitung juga kemudian kita masukkan lagi
ke dalam siklus
ee bahan baku ya.
Itu kira-kira ee
masalah-masalah yang muncul dan harus
kita lihat dari berbagai perspektif ya.
Selain itu juga dari perspektif sosial
bagaimana masalah lingkungan kita lihat
dari aspek keadilan sosial, konflik
sumber daya, kesehatan masyarakat. Nah,
jadi kalau kita lihat memang seorang
ahli lingkungan ini tidak cukup dia
hanya tahu biofisik ya, dia juga harus
tahu biofisik, teknologi, ekonomi,
sosial. itu adalah konsekuensi menjadi
seorang ahli lingkungan.
Nah, saat ini masalah lingkungan ini
sudah sangat kompleks ya.
Dan ciri-ciri dari kompleksitas yang ada
itu pertama sudah tidak nonlinear lagi
hubungannya ya.
Jadi kalau misalnya kita membuang sampah
ke sungai,
maka akan terjadi banjir misalnya ya.
Nah, itu tidak hanya banjir. Ternyata
ketika ketika kita membuang sampah ke
sungai di sana ada juga pencemaran
sungai, ada juga kerusakan ekosistem.
Jadi tidak bisa kita anggap semua
permasalahan ini linier
tapi
ee tidak linear ya. Kebalikan dari
linier atau lurus menjadi tidak linear
atau tidak lurus.
Nah, di sinilah nanti kita kembangkan
satu metode misalnya sistem dinamik ya
atau dinamika sistem untuk
mengantisipasi
nonlinearitas ini.
Kemudian juga saat ini banyak
ketidakpastian ya di dalam ya contoh
misalnya perubahan iklim. Perubahan
iklim variabelnya sangat banyak, banyak
ketidakpastian
sehingga solusinya ahli-ahli lingkungan
mengembangkan banyak modeling dan juga
artificial intelligence ya atau AI untuk
mengurangi ketidakpastian itu
termasuk juga keterkaitan multiskala ya.
Multiskala ini juga dikembangkan oleh
ahli-ahli lingkungan dengan berbagai
metode. Mulai yang paling sederhana
misalnya multikriteria analisis ya
sampai
ee metode yang paling terkini misalnya
menggunakan deep learning. Nah, demikian
juga
untuk antar faktor lokal dan global ya.
Nah, ini lebih kepada hubungan
internasional ya, bagaimana ee kerja
sama kita ini tidak hanya bisa di
ee selesaikan secara lokal, tapi juga
harus diselesaikan secara internasional.
Nah, sebagai kesimpulan
kita perlu melakukan klasifikasi ya
masalah lingkungan itu mulai dari skala
ruang ini masalahnya mikro, meso, makro
atau global ya. Artinya sekarang di
dalam mengatasi masalah lingkungan ini
tidak bisa kita menggunakan satu
pendekatan ya. Jadi untuk masalah yang
mikro solusinya mungkin berhasil. Untuk
masalah meso misalnya untuk satu
provinsi, kalau mikro misalnya satu kota
ya, meso satu provinsi belum tentu
berhasil. Demikian juga untuk makro di
level negara dan juga global di level
apa di level antarnegara.
Demikian juga apa yang berhasil di level
makro misalnya di suatu konsep negara di
level lokal belum tentu. Nah, jadi di
sini
ee kompleksitas itu juga ee muncul
ketika ada perbedaan skala ruang ya.
ee kita tidak boleh menyamakan karena di
level makro misalnya berhasil, maka di
level mikro pasti berhasil juga. Itu
belum tentu ya. Demikian juga untuk ee
dimensi waktu.
Suatu persoalan yang bisa diselesaikan
dalam jangka pendek belum tentu
sukses ya untuk permasalahan di jangka
panjang. Walaupun masalahnya sama,
misalnya pengendalian sampah. Nah,
pengendalian sampah ini untuk waktu 1
bulan, 1 tahun, 5 tahun, 10 tahun. Nah,
itu kita harus kelompokkan ya
berdasarkan dimensi waktu karena
memiliki karakteristik yang
berbeda-beda.
Demikian juga untuk media ya, belum
tentu untuk media satu berlaku untuk
media lainnya. Demikian juga untuk
dampaknya ya. Nah, jadi di sini ee kita
bisa menggunakan berbagai klasifikasi
ini untuk mengetahui
apakah solusi kita ini tepat ya dari
sisi ruang dan waktu.
Nah, untuk mengklasifikasikan
permasalahan itu banyak sekali kerangka
sistemik yang
ada saat ini ya. Dan untuk menyelesaikan
sebuah permasalahan lingkungan ini, kita
harus mengawalinya dengan kerangka
sistemik.
Itu tidak bisa ditawar-tawar lagi, ya.
Ee di sini saya hanya memperkenalkan
tiga kerangka yang paling umum
digunakan. Padahal ini banyak sekali ya
kerangka sistemik ini banyak sekali tapi
kita coba bahas tiga saja dulu.
Yang pertama adalah DPS, kedua SES, yang
ketiga planetary boundaries. Kita mulai
dengan DPSI. Jadi DPS ini
untuk melihat tadi dari sisi ruang dan
waktu ya. Jadi apa menyebabkan apa?
Misalnya tadi masalah sampah ya. Nah
masalah sampah ini kita harus tulis di
sini
sampahnya itu sampah dari mana?
Karena sampah domestik ya dari rumah
tangga dengan sampah dari pasar atau
sampah dari industri itu memiliki
karakteristik yang berbeda. Jadi driving
force ini adalah sumber ya sumber dari
permasalahan itu. aktivitas manusia yang
menyebabkan
pencemaran itu kita harus definisikan
dan nanti menekan ke lingkungannya itu
dalam bentuk apa gitu ya. Apakah dia
berupa pencemaran atau dia berupa
kerusakan
atau dia mengganggu sistem ekologi. Nah,
ini juga harus kita definisikan.
Sedangkan state adalah angka-angka yang
kita ukur ya.
Misalnya kalau pencemaran sungai, nilai
BOD, nilai COD. Jadi state atau status
ini harus dalam bentuk angka, hasil
pengukuran. Nah, dari angka inilah kita
bisa melihat korelasinya dengan
dampak-dampak yang terjadi ya. Mulai
dari dampak kesehatan, ekosistem,
terhadap dampak lainnya. Nah, di sinilah
kita menemukan satu kebijakan ya dalam
bentuk respon. Dan respon ini kita
lakukan untuk semua komponen.
Respon untuk menekan
sumber,
respon untuk mengendalikan tekanan
terhadap lingkungan, respon untuk
menjamin agar nilai-nilai status ini
tetap ada dan juga respon untuk
mengendalikan dampak.
Jadi dengan DPS ini
misalnya untuk menangani sampah ya.
Sampah ini kita bisa banyak sekali
membuat rekomendasi
menangani sampah dari sumbernya.
Maka sumber harus memilah ya
terhadap tekanan ya. Berarti volume yang
dibuang kepada lingkungan ini harus
dikurangi.
Kemudian
status angka-angka
ya. Apakah ada angka jumlah sampah yang
dibuang ke sungai? Kalau tidak ada
angkanya kita sulit menghitung dampaknya
ya secara kuantitatif.
Nah, jadi kita perlu juga memikirkan
bagaimana kita melakukan pemantauan atau
sampling atau pengukuran ya untuk
mendapatkan
status. Nah, saat ini pemerintah sudah
menetapkan ya untuk status ada IKLH,
ada indeks-indeks apapun itu ya. Nah,
itu dalam rangka untuk mengetahui dampak
ya. Jadi kalau statusnya tidak ada
angkanya, dampaknya juga sulit. Nah,
nanti bagaimana untuk mengendalikan
dampak? Jadi kita dengan skema ini bisa
membuat banyak sekali rekomendasi. Ini
merupakan metode yang paling sederhana
di dalam menyelesaikan permasalahan
lingkungan.
Bagaimana untuk masalah lingkungan yang
terkait sosial dan ee manusia ya? Nah,
berarti di sini kita harus membuat
indikator-indikator yang menghubungkan
antara sistem lingkungan dengan sistem
sosial, ya. Misalnya di sini ada ee jasa
ekosistem, ya. Nah, jasa ekosistem itu
kan mengkonversi antara sistem
lingkungan yang menghasilkan ekosistem
kemudian dikonversi kepada kebutuhan
manusia. kira-kira seperti apa jasa
lingkungan. Nah, artinya di dalam
membahas jasa lingkungan kita tidak
memperhatikan
bagaimana lingkungan terhadap lingkungan
itu sendiri ya atau lingkungan itu
terhadap sistem yang lain, tapi kita
lebih fokus kepada bagaimana lingkungan
itu bermanfaat untuk manusia. Nah,
kemudian juga dari manusia kepada
ekologi ini seperti apa ya?
artinya perilaku-perilaku manusia baik
itu manajemen ataupun ee partisipasi
masyarakat yang harus
dimasukkan ke dalam sistem ekologi itu
seperti apa. Nah, jadi
kesepakatan-kesepakatan ini yang
kira-kira harus kita kembangkan
sehingga problem lingkungan dan sosial
ini menjadi bisa diselesaikan.
Berbeda dengan yang tadi ya. Kalau ini,
ini lebih kepada
ee
hubungan sebab akibat ya, hubungan sebab
akibat dari sebuah permasalahan dalam
bentuk DPS. Kalau ini lebih kepada
korelasi timbal balik ya antara ekologi
dan sosial.
Kemudian ada juga planetary boundaries.
Jadi ini untuk masalah-masalah global.
kita bisa gunakan skema
ee menggunakan planetary boundaries.
Contoh misalnya di sini ya, ada
penelitian yang dilakukan oleh
Richardson tahun 2023 yang menghitung
kalau yang hijau ini artinya inilah
batas batas bumi ya, batas kemampuan
bumi. Nah, tapi di sini misalnya untuk
climate change ini, CO2
concentration-nya ini udah melebihi.
Demikian juga radioactive forcing-nya
ya. Apalagi untuk genetik ini paling
kita sudah paling rusak ya ee di antara
variabel-variabel lainnya.
Nah, jadi kita menggunakan boundary dari
planet kita ini sebagai ee batasan atau
sebagai titik tolak analisis. Nah,
demikian juga ada ee sebuah lembaga
riset ya, Global Footprint Network yang
dia
menghitung kalau kehidupan kita.
Contoh misalnya di sini, jika kehidupan
seluruh penduduk bumi ini sama dengan
orang Amerika ya, maka kita butuh lima
kali ya, sekitar lima kali bumi begitu
untuk bisa ee melayani
ee kebutuhan
ee rakyat Amerika.
Artinya dengan pola konsumsinya yang
sangat tinggi itu kita butuh sampai lima
kali bumi. Kan tidak mungkin juga bumi
ini ada lima ya. Nah, jadi kita
menggunakan planetary boundaries ini
sebagai kerangka kerangka acuan kita
menganalisis.
Nah, apa saja pendekatan analisis
dari berbagai permasalahan itu? Ya,
tentunya kita awali dengan pendekatan
kualitatif ya
seperti ee analisis kebijakan, studi
etnografi, kajian historis,
kajian persepsi masyarakat, nilai
budaya, dimensi etika, itu kita sebut
sebagai pendekatan kualitatif.
Kita juga bisa melakukan secara
pendekatan kuantitatif ya. ini yang
biasanya dilakukan oleh ee
mahasiswa-mahasiswa di kampus ya,
khususnya kampus ilmu lingkungan dan
teknik lingkungan
yaitu pendekatan kuantitatif mulai dari
pengukuran parameter fisik dan kimia,
pemodelan matematis dan komputional,
analisis statistik, spasial, temporal.
Nah, bisa juga kita melakukan pendekatan
campuran ya antara kualitatif dan
kuantitatif.
kita akan bahas lebih detail ya. Untuk
pendekatan kualitatif biasanya untuk
analisis kebijakan,
kemudian juga untuk etnografi ya
menggali praktik budaya dan sosial dalam
pengelolaan sumber daya alam. Kemudian
juga kita bisa melakukan analisis
persepsi publik. Nah, analisis
kualitatif ini sangat penting ya di
dalam analisis lingkungan tentunya ee
dilakukan oleh yang ahli apakah ahli
sosial, ahli antropologi, dan berbagai
ahli lain ya yang paham tentang atau di
sini kalau kebijakan berarti ahli hukum
ya ee yang memang paham terhadap ee
terminologi-terminologi
ee hukum
sosial, antropologi dan sebagainya.
Nah, pendekatan berikutnya adalah
kuantitatif ya, yaitu mengukur tadi
monitoring, statistik ya, pemodelan
matematis.
Yang ketiga, ya ini yang sebaiknya kita
lakukan yaitu adanya mix method ya atau
campuran kualitatif dengan kuantitatif
ini tidak bisa dipisahkan. Kita harus
gabung.
Jadi selain kita ukur ya di sini kita
ukur misalnya sungai
ee COD BOD-nya kita ukur, kita juga
lakukan wawancara dengan masyarakat.
Nah, ini hasilnya akan lebih baik ketika
kuantitatif dan kualitatif ini kita
gabung. Demikian juga misalnya dalam
participatory mapping ya, warga diajak
memetakkan daerah rawan banjir. Di sini
kita gabungkan antara pendekatan
kualitatif ya karena mengajak warga dan
spasial karena di sini membuat peta.
Kemudian dibandingkan dengan data curah
hujan dan ketinggian tanah ini merupakan
kuantitatif. Jadi di sini contoh
gabungan antara kualitatif spasial
apa? Kualitatif spasial dengan
kuantitatif ya itu digabung.
Demikian juga ada nama ada istilahnya
citizen science ya. Warga menjadi bagian
dari proses pengumpulan data.
misalnya ee masyarakat aktif ya untuk
mengumpulkan data, kemudian mengolah,
membuat komunitas diskusi itu juga
menjadi pendekatan campuran bagaimana
kualitatif dari pendapat warga digabung
dengan data kuantitatif hasil
pengukuran. ini juga menjadi metode yang
sangat populer ya akhir-akhir ini.
Nah, itu tadi adalah pendekatan
pendekatan yang intinya adalah ee
kuantitatif, kualitatif, dan gabungan.
Nah, bagaimana metode metodologi ya
ketika kita apakah melakukan kualitatif,
kuantitatif atau gabungan itu kita
bedakan menjadi beberapa jenis
metodologi, ya. agar kita bisa
ee memahami semua metodologi yang ada.
Yang pertama adalah metodologi survei
dan sampling. Ini adalah metode yang
paling klasik ya, yang dari dulu sudah
kita lakukan tapi masih sangat penting
sampai sekarang. Karena tanpa survei dan
sampling ini kita kehilangan data
primer, data yang menjadi rujukan utama.
bisa kita lakukan sampling
dan monitoring lapangan, survei sosial
ekonomi atau analisis laboratorium.
Yang berikutnya adalah metodologi
analisis data. Biasanya kita gunakan
statistik baik deskriptif maupun
inferensial.
Kita juga lakukan analisis multivariat
dan time series serta analisis spasial
ya.
Kemudian kita juga kadang-kadang
melakukan evaluasi ya. Jadi tidak
sekedar analisis data, tapi evaluasi.
Tentu evaluasi ini lebih luas ya dari
sekedar analisis data. Di sana ada
pendekatan kualitatifnya, ada
kuantitatifnya, kemudian ada spasialnya
juga yang dikemas menjadi sebuah produk
analisis atau produk evaluasi.
Sebagai contoh
ada life cycle assessment atau LCA ya
untuk melihat daur hidup dari sebuah
produk atau jasa di dalam ee lingkungan
ya mulai dari raw material, bahan baku,
proses sampai limbah ya itu kita lihat
siklus hidupnya. Kemudian AMDAL. AMDAL
ini sudah banyak Bapak Ibu yang familiar
ya. itu juga menjadi salah satu
metodologi evaluasi khususnya untuk
proyek. Nah, sedangkan untuk kebijakan
itu KLHS ya. Nah, KLHs itu untuk
kebijakan ee kalau AMDAL untuk proyek,
KLHs untuk kebijakan. Kemudian di sini
juga ada risk assessment ya, bagaimana
kita melihat risiko kesehatan atau
ekosistem dari sebuah kegiatan. Kita
juga bisa menghitung menggunakan CBA.
cost benefit analysis atau MCDA
multieria decision analysis untuk
membantu pengambilan keputusan dengan
biaya manfaat atau banyak kriteria.
KLHS tadi sudah kita bahas ya sebagai
ee pengembangan dari AMDAL khususnya
untuk kebijakan
dan juga untuk ee analisis tata ruang di
RTRW ya yang sifatnya lebih luas dari
AMDAL kabupaten, provinsi seperti itu.
Kemudian ada juga studi lain, contoh
misalnya S ya, Social Impact Assessment
atau ESV
Service Valuation atau valuasi
lingkungan. Ini juga ee penting ya untuk
dipahami oleh kita ee di dalam
menganalisis ee untuk tujuan evaluasi.
Nah, kemudian ada juga metodologi
pemodelan. ini lebih kepada prediksi ya,
prediksi melihat korelasi dan juga
melihat ee rekomendasi skenario yang
bisa kita lakukan mulai dari pemodelan
ekologi, kemudian sistem dinamis ya dan
juga ee lainnya. Kemudian yang terakhir
nomor 5 ini kita anggap sebagai
metodologi modern karena baru berkembang
sekitar tahun 2020 ya ee
ya ada juga yang berkembang dari tahun
90-an tapi ee sangat pesat
ee ketika
ee masuk ke tahun 2010-2020.
di antaranya adalah
eh multi apa? Remote sensing, multiskala
ya. Kemudian ada big data internet of
things. Eh internet of sing ini sensor
ya, kita gunakan sensor. Kemudian data
sensor dalam bentuk big data. Artinya ee
basis data yang sangat besar.
Kemudian ada machine learning, deep
learning ya. Kemudian ada digital twin
lingkungan. Kita akan bahas semua metode
ini satu-satu ya, mulai dari metode
sampling dan survei. Saya tidak perlu
jelaskan panjang lebar karena ini sudah
diketahui oleh Bapak Ibu tentang
sampling dan survei. Kemudian juga untuk
analisis data ini juga sudah banyak
digunakan
oleh kita ya sehari-hari dalam analisis
data mulai dari ee statistik
ini ya ee statistik deskriptif
untuk merangkum dan menggambarkan data
apa data apa adanya. Kemudian statistik
inferensial untuk membuat generalisasi
atau kesimpulan tentang populasi
berdasarkan sampel dan menganalisis
hubungan kompleks antar banyak variabel
secara simultan. untuk analisis
multivaribel
statistika deskriptif ya kita tahu ya
membuat grafik, diagram, tabulasi,
kemudian ee nanti kita hitung nilai
rata-ratanya, penyebaran ini masuk ke
dalam statistika deskriptif. Nah, tapi
kalau kita sudah ingin mengetahui
signifikansi rata-rata
ya dari data pemantauan ini kita sebut
sebagai statistika inferensi.
Ini adalah metode-metode statistik yang
sudah sering kita gunakan ya. Eh, metode
evaluasi tadi kita sudah bahas ya, ada
LCA, ada AMDAL, risk assessment, cost
benefit analisis, kemudian multiiteria
analisis, eh KLHs,
social impact assessment, dancistem
service valuasi atau valuasi ekonomi.
Kemudian untuk pemodelan ini juga sudah
banyak digunakan ya oleh Bapak Ibu dalam
analisis lingkungan. Mungkin kita akan
bahas contoh-contohnya.
Untuk pemodelan ini kita menggabungkan
berbagai data. Kita gunakan software
untuk menganalisis
misalnya penyebaran pencemaran udara,
pencemaran air, pencemaran tanah. Ini
kita bisa gunakan berbagai model.
Kemudian juga ada namanya dinamika
system ya. Jadi kita buat ee
permasalahan lingkungan itu menjadi
hubungan sebab akibat atau kita sebut
sebagai kau salal diagram dan kemudian
kita simulasikan ya bisa menggunakan
fans SIM, stella, power SIM.
ini merupakan ee pemodelan
untuk ee
khususnya bukan untuk variabel-variabel
fisik ya. Kalau fisik tadi media udara,
air, tanah biasanya kita gunakan
pemodelan fisik yang contohnya yang ee
tadi sudah kita bahas ya. Ya, ini
khususnya pemodelan kuantitatif yang
berbentuk fisik. Tapi kalau misalnya
kuantitatif tapi berbentuk nonfisik ya,
misalnya hubungan sosial, hubungan
ekonomi,
hubungan lingkungan juga bisa. Tapi
pasti ini kompleks ya, tidak hanya
menggunakan data-data fisik lingkungan
saja. Biasanya digabung antara data
fisik lingkungan dengan data sosial
misalnya pertumbuhan penduduk ya, nilai
ee apa angka kelahiran, kematian,
begitu. dan juga data ekonomi ya
misalnya manfaat ekonomi penjualan
produk dari ee bahan baku ataupun
bagaimana biaya limbah itu itu cocok ya
untuk kita gunakan dinamika sistem.
Kalau misalnya problemnya menyangkut ee
spasial ya, kita juga bisa gunakan
software GIS untuk melakukan model
dinamika spasial. Misalnya sebuah daerah
kita ingin lihat skenarionya
ya. Contoh misalnya ada sebuah kota baru
ya, ibu kota ee negara IKN. Nah, IKN ini
kita ingin lihat nanti 10 tahun lagi IKN
akan seperti apa perkembangannya
misalnya ya, kita bisa modelkan atau
sebuah kota apapun ya kita bisa lihat
perkembangan kotanya akan sejauh mana.
Karena menyangkut spasial maka
dinamikanya kita sebut dinamika spasial
atau spatial dynamics.
Nah, ada juga agen based modeling ya.
Nah, jadi modeling ini banyak sekali
jenisnya. Bisa fisik, bisa sosial. Tadi
mengguna bisa ee spasial ya, ada sosial
spasial. Nah, kalau ini lebih ke
interaksi manusia. Jadi kalau misalnya
kita ingin fokus kepada interaksi
manusia, kita sebut sebagai agen based
modeling atau ABM. Jadi kita petakan
dulu relasi dari manusia yang ada di
situ ya. ee kita buat sebagai model
bagaimana interaksi mereka. Bisa saja
interaksi ini kemudian kita overlay ya
dengan ee data-data lain misalnya data
tata guna lahan, tutupan lahan. Jadi eh
agen based modeling ini kemudian kita
kalau kita gabung dengan spasial
modeling itu bisa ya. Ya, tentu agen
base model ini bisa dipakai untuk apa
saja ya, bukan hanya untuk ee spasial,
bisa juga untuk ee pendekatan-pendekatan
yang lain.
Kemudian
kita masuk ke dalam metodologi terkini
ya. ya, yang sekarang sedang populer.
Kalau yang tadi mungkin ee Bapak Ibu
sudah tahu dan sudah pakai ya karena
metode-metode tadi itu sudah
dikembangkan dari sejak tahun 0-an dan
terus berkembang sampai sekarang. Nah,
tapi dari tahun 2000-an
itu ee kita sebut saja sebagai
metodologi terkini.
Yang pertama adalah remote sensing dan
GIS. Jadi, remote sensing dan GIS ini
menggabungkan ya berbagai data baik itu
data
ee monitoring di darat ya, misalnya
leidar atau drone begitu dengan data
satelit. Nah, kemudian kita modelkan
untuk memprediksi apakah di sebuah
wilayah itu contoh ya di gambar ini di
sana terjadi kebakaran atau tidak. Jadi
antara data satelit kemudian data
pemantauan di darat ya itu digabung,
dianalisis sehingga menghasilkan sebuah
ee analisis, sebuah hasil ya, hasil
interpretasi
kita sebut sebagai remote sensing dan
GIS. Nah, ada juga big data dan internet
of things. Jadi, contoh di sini ada
ee danau ya yang dipasangi banyak sekali
sensor. Jadi, data titik-titik ini
adalah data sensor ya ee data monitoring
real time. Nah, sedangkan data yang
garis-garis hijau ini adalah data
modeling.
Jadi di sini modeling digabung dengan ee
sensor
menjadi sebuah big data dan IoT.
Tentunya ini bisa diaplikasikan untuk
untuk semua media ya ee baik udara,
tanah ataupun media lainnya. ee
ini contohnya untuk media air.
Kemudian juga ada artificial
intelligence ya atau kecerdasan buatan.
ee ini akan kita bahas secara mendalam
ya untuk ee kecerdasan buatan ini. Jadi
kecerdasan buatan ini atau artificial
intelligence ya itu
ee berusaha
komputer untuk membuat keputusan
sendiri. Jadi dalam bahasa mudahnya
disuruh mereka untuk berpikir. Tapi
sebetulnya mereka tidak berpikir seperti
kita ya. mereka pasti disuruh melakukan
sesuatu dan berulang-ulang begitu. Ee
tetapi dari sisi hasil sepertinya tuh
mereka berpikir begitu. Nah, ee
jadi
bahasa
atau kecerdasan buatan yang paling
awal ya kita sebut sebagai cognitive
computing ya. Cognitive computing ini
adalah bagaimana komputer yang asalnya
hanya menghitung dia membuat ee decision
making ya, keputusan begitu.
Nah, kemudian juga
ee diberi suplly bahasa manusia ya,
bahasa manusia karena ee kita ingin
ee
logika-logika yang biasanya mereka hanya
menggunakan angka, menggunakan data.
Nah, sekarang menggunakan bahasa. Contoh
misalnya
bagaimana mereka menafsirkan ya ketika
ada satu bahasa manusia misalnya saya
pergi ke sekolah gitu ya. Nah ini kan
tidak ada data input berupa angka, data
input berupa ee data-data yang biasa
komputer hitung ya. Ini adalah sebuah
kalimat. Nah, sehingga saya di sana
diinterpretasikan
oleh komputer ya sebagai subjek.
Kemudian tata bahasanya dimasukkan ke
dalam logika-logika komputer. Berikut
juga arti dari setiap ee kalimat. Nah,
bagaimana komputer bisa mengerti kata
pergi misalnya ya. Nah, pergi ini
diterjemahkan. Artinya kalau manusia
mudah ya memahami ya pergi tinggal
pindah dari satu tempat ke tempat lain
gitu. Tapi bagaimana komputer memahami
pergi ee adalah berangkat dari satu
titik ke titik yang lain. Nah, ini
adalah inti dari natural language
processing atau NLP. Bagaimana ee
data training ya. data training itu
adalah data
ee bahasa manusia itu dikumpulkan.
Nah, kemudian dibuat ee dalam sebuah
hubungan sebab akibat yang akhirnya
dimasukkan ke dalam ee algoritma
komputer.
Yang
NLP yang paling modern saat ini misalnya
CGPT ya. CGPT itu kita beri perintah dia
mengerti perintah kita ya.
Jadi ini ee sudah sangat maju NLP ini
termasuk juga robotics. Robotics dia
bisa mengambil kesimpulan sendiri.
Contoh misalnya ketika dia mengelas ya,
mengelas ee di pabrik mobil ada robot
yang mengelas itu dia ee pertama dia
bisa menentukan titik di mana dia harus
mengelas ya, kapan harus mulai, kapan
harus berhenti. Nah, itu dia lakukan
secara otomatis.
Nah, kemudian terkait dengan
ee bidang kita, bidang lingkungan ya ee
kita lebih fokus ke machine learning.
Jadi machine learning ini adalah bagian
dari kecerdasan buatan atau artificial
intelligence yang mengolah data secara
repetisi ya, secara berulang-ulang.
Misalnya ada di sini ee
pengklasifikasian
image ya. Ee jadi dia bisa membaca, dia
bisa membedakan antara gambar kucing dan
harimau misalnya ya. Nah, itu harus
dilatih dilatih dengan ee disebut dengan
data training. Kemudian juga ada SDMs ya
di sini speciies distribution model.
Ada juga ABMs ya di sini ABMs agent
based. Nah, jadi pada dasarnya
artificial intelligence ini pengembangan
dari metode-metode sebelumnya.
Contoh di dalam ee pembahasan kita
sebelumnya, kita mengenal ada yang
disebut dengan agen atau agen base
modeling. Nah, agent baseding ini
kemudian karena dia terlalu kompleks,
orangnya sampai ribuan atau bahkan
jutaan penduduk yang ingin kita
analisis, maka
kita masukkan ke dalam machine learning
ya.
Jadi pada dasarnya machine learning ini
adalah kita melatih
komputer agar dia bisa melihat pola yang
ee kita berikan. Nah, lebih jauh dari
machine learning adalah neural network.
Artinya dia hubungannya tidak hanya
linier tapi multi multilineer ya. atau
juga lebih jauh lagi deep learning ini
lebih kompleks lagi.
Nah, kita akan bahas satu-satu ya.
Contoh di sini perbedaan antara machine
learning, neural network dan deep
learning. Jadi kalau kita lihat machine
learning ini awal ya, awalnya ada AI itu
ee
jadi machine learning ini.
Oke ya. Ini ada
yang minta remote,
maaf jadi keganggu ya. Ya, jadi machine
learning ini awal-awal AI dikembangkan
ya. Jadi dia lebih ee mempelajari pola
dari data training. Nanti kita akan
jelaskan lebih detail, ya. Nah, kemudian
dikembangkan lagi
lebih kompleks lagi disebut dengan
neural network dan dikembangkan lebih
ee kompleks lagi menjadi deep learning.
Tapi kira-kira pendekatannya mirip ya.
Nah,
kita mulai dari machine learning. Jadi
machine learning ini kita kumpulkan data
ya.
Kemudian
kita pisahkan data tersebut, kita latih
model, evalua hasil, dan gunakan model.
Nah,
di sini ada
ee mungkin saya masuk dulu ke sini, ya.
Jadi,
ini adalah contoh machine learning.
Di sini ada data
yang sudah kita beri label ya.
Data yang sudah kita beri label dan kita
sebutkan labelnya itu ini.
Maka kita training kemudian kita tes.
Kita tes dia berhasil ya bahwa kalau
diberi gambar ini dia square begitu ya.
Dia dia langsung bisa jawab diberi ini
dia disebut triangle. Nah,
ya datanya bisa macam-macam ya, misalnya
curah hujan, elevasi. Ini tentu datanya
data numerik. Curah hujan kan pasti ada
0 1 2 3 sampai 500 misalnya ya. Elevasi
angka numerik juga tutupan lahan. Nanti
kita beri ee misalnya tutupan lahan satu
ini untuk hutan, dua untuk apa. Jadi
semuanya numerik ya.
Nah, kemudian
ee kita diberi
ee
label begitu ya untuk setiap data-data
ini. Nah, karena dia diberi label maka
ada plus minus di sini ya. Mungkin maaf
saya balik lagi ke sini.
Jadi
ee untuk
yang slide yang
plus minus.
Oke, itu ada di akhir ya. Jadi ee
kalau dia pakai label itu tentunya
datanya harus ada manusia yang memberi
label ya. Nah, jadi ini datanya kita
sebut sebagai data yang mahal.
Itu adalah pengertian dari
supervised learning ya. Jadi datanya
sudah berlaber. Kalau banjir adalah
satu, tidak banjir adalah nol. Jadi dia
ee ada interaksi antar
ee tiga variabel tadi misalnya curah
hujan, ketinggian, dan juga
apa tadi ya contohnya misalnya di sini.
Nah, ini tutupan lahan ya. Jadi ada tiga
data curah hujan, elevasi, tutupan
lahan. Nah, kalau curah hujannya lebih
dari sekian tapi elevasinya sekian dan
tutupan lahannya sekian, maka dia
banjir. Kalau curah hujannya sekian,
elevan. Jadi ada ee variasi-variasi yang
kita masukkan ke dalam program ya. Dan
kita beri variasi itu adalah banjir.
Kita beri variasi tidak banjir. Tentu
variasi-variasi ini tidak bisa kita
masukkan semua begitu ya. ee tapi dia
disuruh baca begitu, dia disuruh mikir
sendiri gitu, disuruh ee sehingga
akhirnya dia bisa membuat kriteria
sendiri
kapan suatu kondisi disebut banjir dan
kapan suatu kondisi disebut tidak
banjir. Hanya kita menggunakan kriteria.
Nah, karena kita sudah memberikan kunci
jawabannya kira-kira ya, ini adalah
banjir, inilah tidak banjir, kita sebut
sebagai supervised learning.
Nah,
karena data-data ini sangat banyak dan
manusia tidak punya waktu ya untuk
memberi label satu-satu, kemudian
dikembangkan
satu
model lain ya, yaitu unsupervised
learning. Nah, unsupervised learning ini
kalau datanya tidak punya label.
Jadi ee datanya contohnya curah hujan,
kemiringan lahan, jenis tanah
tidak punya label ya. Nah, di sinilah
pentingnya ada algoritma yang dipakai
ya.
Bagi Bapak Ibu yang ingin mendalami
tentang machine learning ini tentunya ee
perlu mempelajari
apa arti K means clustering hierarchical
clustering atau principal component
analisis ini tuh seperti apa
algoritmanya memang di dalam aplikasinya
sudah ada kita tinggal download
ee algoritma ini sudah ada tapi kalau
ingin paham dalamnya ya tentu kita harus
pelajari ee dari dasar ya. Nah, apakah
kita hanya pakai saja atau kita mau
pelajari dari dasar itu balik lagi
kepada ee tujuan kita mempelajari
machine learning. Tapi bedanya dari
supervise itu untuk unsupervised itu dia
tidak punya label. Nah, bagaimana cara
dia belajar? ya. Nah, itu kuncinya ada
di algoritma ini.
Jadi, dia contoh misalnya ya untuk
klasifikasi sungai
ee dia bisa membaca sendiri mana
kategori sangat tercemar, sedang atau
bersih ya dari sini walaupun kita tidak
beri label seperti tadi ya. Jadi,
unsupervised learning ini tidak kita
beri label, kekuatannya ada di
algoritma.
Kemudian yang ketiga
kita sebut sebagai reinforcement
learning. Jadi, reinforcement learning
itu eh mirip ya dengan mungkin saya
balik lagi ke atas milik dengan super
unsupervised learning ya, tapi dia lebih
kompleks datanya lebih banyak,
variabelnya lebih banyak jadi ee
harus melakukan trial and error ya. Nah,
kita beri kriteria-kriteria.
Ada reward, ada penalti di sini ya. Ada
reward, ada penalti. Begitu di dalam ee
algoritmanya.
Nah, akhirnya dia bisa mengeluarkan
contoh di dalam bidang lingkungan
misalnya optimasi energi terbarukan, ya.
Nah, berarti kita beri data input yang
sangat banyak di sini. Kemudian ee
algoritmanya akan belajar kapan harus
menyimpan atau kapan harus melepas
energi. Misalnya dalam manajemen sumber
daya air ya, bagaimana sebuah bendungan
ini harus dilepas atau ditahan ya.
Bendungan kan mengeluarkan air ya. Nah,
itu bendungannya harus mengeluarkan
kapan?
Ee jadi
berbagai otomatisasi yang kita temukan
saat ini ya. Misalnya
ee mobil yang bisa bergerak sendiri dia
kan melihat sensor ya. Nah sebelum mobil
itu bisa dioperasionalkan di jalan
itu melalui data training dulu.
Jadi ada orang yang menyetir
kemudian perilaku menyetir itu
masuk ke dalam basis data ee mobil itu.
Jadi dia membaca
ee misalnya ketika jalan nanjak dia kan
baca data kemiringan ya. E data
kemiringan dikaitkan dengan gas yang
harus naik begitu kemudian jalan turun.
harus injak rem misalnya ya, kemudian
jalan membelok, setir harus ikut belokan
itu. Nah, data training itu tahunan.
Jadi sebelum produk machine learning ini
dilepas ke konsumen,
sudah dilakukan proses data training
yang sangat lama ya bertahun-tahun itu
di dilakukan oleh ahli AI ya. Jadi ahli
AI mereka programming juga melakukan
data training juga begitu. Nah, itu
bertahun-tahun dan database-nya itu
dijual
ya ee artinya
diperjual belikan.
Nah, karena kalau tidak diperjual
belikan, kebayang ya perusahaan mobil A
baru mulai wah dia
tidak bisa ini ya, tidak bisa mulai dari
nol kan. Nah, jadi ada konsultan atau
perusahaan riset yang memang sengaja
melakukan data training ini untuk
kendaraan. Nah, nanti dia pekerjaannya
memang melakukan data training ya,
membuat algoritma. Nah, kemudian dia
jual sebagai
ee produk dari
ee jasa konsultan dia itu dan dibeli
oleh banyak pabrik mobil begitu.
Tapi ada juga pabrik mobil yang dia
melakukan riset sendiri ya. Tentu kalau
dia punya dana yang besar ya dana riset
yang besar dia melakukan sendiri.
Namun kebanyakan dia ee membeli data
dari
ee konsultan yang ee bergerak di bidang
data training ini tentunya bukan hanya
untuk
ee data
mobil ya ee mobil tanpa awak begitu ya
pasti banyak aplikasi-aplikasi lainnya
misalnya untuk ee pesawat terbang begitu
ya. Kemudian kalau di bidang lingkungan
pengenalan
tadi ya hewan. Jadi di hutan itu kan
kita sering pasang kamera tuh pasang
kamera. Si kamera itu dia harus bisa
menebak itu hewan yang lewat itu apakah
kucing atau harimau gitu ya atau musang
atau ayam begitu. Nah, itu itu dilatih
begitu dilatih dulu sampai akhirnya dia
bisa mengenal image ya, image
processing. Nah, itu juga ada konsultan
yang khusus membuat itu sehingga riset
AI ini begitu cepat berkembang karena
memang ada ee konsultan yang menyediakan
data-data
ee dasar ya, data-data basic.
Nah, kemudian nah ini tadi yang saya
sampaikan ya.
Bapak, Ibu tentang
apa kelebihan dan kekurangannya. Tentu
yang supervised learning ini lebih cepat
ya, lebih tapi dia mahal karena harus
dientry oleh manusia ya. Nah, yang
unsupervised ini tidak butuh label ya,
apa lebih murah begitu. Nah, tapi ini
yang buat
ee ininya apa ee algoritmanya yang harus
pintar ya. Nah, termasuk juga
reinforcement learning ini
pasti ee programmernya yang harus
bekerja keras begitu.
Software untuk membuat ini banyak sekali
ya. ini yang paling populer ee Python
bisa R bisa MATLAB. Jadi ee sudah banyak
ee software-software yang ee di pasaran
dan yang gratis juga banyak ya.
Nah, tadi adalah machine learning. Nah,
machine learning ini dia korelasinya
sederhana ya.
Kemudian ada kebutuhan untuk
ee interaksi yang lebih kompleks. Karena
tadi kan contoh masalah lingkungan juga
sangat kompleks ya. Nah, ya masalah di
bidang lain juga misalnya tadi
otomatisasi kendaraan tanpa awak itu
juga dia sangat kompleks begitu.
maka ditirulah jaringan otak manusia ya
ee menjadi sebuah algoritma komputer
di kita sebut sebagai neural network.
Nah, neural network ini ee asalnya kan
kalau machine learning ada input, nanti
output-nya apa gitu. Nah, ini ada
variabel-variabel tambahan di tengah
ya. Jadi contohnya misalnya mm kalau di
sini inputnya
ee pencemar udara tinggi maka tercemar
misalnya ya PM 2,5 lebih dari 55
tercemar. Nah di sini PM 2,5 lebih dari
55 mikrogram/m³. Di sini ada variabel
lain misalnya kelembaban berapa begitu
ya. Nah, karena dengan adanya kelembaban
PM2,5 itu dia akan teraglomerasi.
Mungkin walaupun dia
konsentrasinya lebih kecil, tapi karena
ada aglomerasi
setelah keluar dari sumber di atmosfer
dia teraglomerasi, maka
angka tercemarnya itu lebih besar
kemungkinannya.
Nah, jadi ada variabel-variabel di sini
yang dikembangkan
sehingga input ke output tuh lebih
mendekati kenyataan di lapangan, ya.
Nah, kira-kira begitu. Jadi, di sini ee
hidden variabel ini
beda-beda tiap bidang ya. Bidang udara
sendiri, bidang air sendiri, bidang
tanah sendiri, bidang industri. Misalnya
tadi kendaraan tanpa awak ya sendiri
juga. Jadi dia ee beda-beda. Tapi di
situ ada tambahan variabel yang membuat
input dan output ini menjadi lebih
realistis gitu.
Kemudian
ee
ya algoritma neural NW ini yang saat ini
jadi bidang yang sangat cepat
perkembangannya ya dan bagi kita orang
lingkungan mungkin cukup ee user aja ya
kita pakai aja yang mana begitu. ee
kecuali ya Bapak, Ibu ada yang ingin
mengembangkan masuk ke dalam dunia
programming silakan, tapi kalau tidak ya
kita pakai saja ee sudah ada ee
modul-modulnya ya, baik di Python maupun
di MATLAB begitu.
Ee software-nya
rata-rata yang paling populer ya,
Python, R, Matlab. Nah, ada juga yang
cloud computing ya, misalnya Google
Earth Engine atau cloud platform itu
juga populer sekarang.
Kemudian contohnya ya tadi ya ee si
PM2,5 ini
dikaitkan juga dengan ee
dengan suhu dengan kelembaban. Jadi dia
ada korelasi-korelasi lagi di tengah
begitu ya. Jadi antara input ada
korelasi-korelasi dulu sebelum akhirnya
menghasilkan output.
Itu kira-kira ee pengertian dari neural
network ya. Nah, ternyata mungkin saya
masuk dulu ke gambar ya. Nah, neural
network tadi kita sudah gambarkan dia
ada hidden layer di sini ya. Hidden
layer di sini. dan hidden layer-nya ini
satu aja begitu.
Tapi kemudian dikembangkan jadi banyak
hidden hidden layer-nya itu banyak
sangat kompleks. Nah, ketika kita
menggunakan hidden layer yang banyak itu
istilahnya sudah bergeser dari neural
network menjadi deep learning. Jadi,
deep learning adalah neural network yang
kompleks. Kira-kira begitu. Hidden
layer-nya banyak ya.
Ya, ini adalah pengembangan ee yang
terjadi sekarang ya deep learning ini.
Karena melihat hasil neural network ini
masih ya contoh tadi yang mudah
dibayangkan misalnya ee algoritmanya
neural network ee mobilnya ini masih
sering nabrak misalnya ya. ee artinya
kita ee sedang membuat machine learning
untuk mobil supaya dia bisa jalan
sendiri tanpa sopir. Nah, tapi dia
sering nabrak begitu, sering nabrak.
Nah, ini akhirnya dikembangkan lagi eh
deep learning begitu ya. Nah, jadi
sekarang memang levelnya sudah deep
learning sehingga ee
sebuah kendaraan ya kendaraan ketika dia
ee disuruh parkir sendiri bahkan dari
satu kota ke kota lain itu dia tidak
nabrak, tidak artinya dia sudah pintar
begitu ya. Nah, karena dari neural
network itu dia sudah bergeser ke deep
learning.
Jadi kunci di dalam deep learning ini ya
harus ada hidden layer ini. Hidden layer
ini selain tadi variasi bukan variasi ya
korelasi-korelasi antar variabelnya juga
di sana ada bobot ya ada bobot-bobot
yang dimasukkan begitu hubungannya itu
apa dengan apa dan bobotnya berapa. Nah,
ini menjadi ee
satu
ilmu dari manusia tentunya ya yang
dimasukkan ke dalam program komputer
sehingga program komputer itu bisa
mengolah data tersebut. Misalnya di sini
kasus prediksi banjir ya. Curah hujannya
120 mm, elevasinya 20 m, jarak ke sungai
100 m. Nah, kita ee buat hidden layer 1
indeks kerentanan. Jadi, ada rumus
baru di situ yang kita sebut indeks
kerentanan.
Kemudian ada risiko genangan gitu.
Jadi, kita masukkan berbagai rumus-rumus
fisika ya, kimia, biologi, matematika ke
dalam software itu sehingga dia bisa
mengolah data. Nah,
jadi ee sebaik apapun ee produk AI
sebetulnya
ada manusia di baliknya ya yang
memegitu. Dia tidak bisa berpikir
sendiri. Jadi ada produk AI yang akurat
misalnya dalam memprediksi banjir, ada
juga yang kurang akurat ya berarti rumus
di dalamnya ini ee kurang bagus gitu.
Apa bedanya dengan modeling? Kan
modeling juga sama. Kita memasukkan
sebuah rumus-rumus sehingga dia bisa
memprediksi. Nah, bedanya kalau modeling
itu dia tidak berpikir sendiri, dia
hanya input, proses, output. Nah, kalau
di dalam AI algoritmanya beda.
Dia ada data training gitu. Jadi ee dia
disuruh untuk mempelajari pola
nanti kita kasih tes.
Akhirnya dia bisa menyesuaikan gitu,
menyesuaikan berdasarkan pola yang dia
pelajari. Nah, jadi kira-kira seperti
itu ya bedanya antara modeling dengan ee
machine learning.
Kemudian kita masuk ee
ya tentu kelebihan kekurangannya sudah
kita bahas tadi ya.
Contoh aplikasi lingkungan banyak sekali
sekarang ya untuk ee meng melakukan
klasifikasi citra satelit. Citra satelit
itu kan ee dulu masih sangat manual ya.
Jadi ada manusia di darat yang
ee misalnya tutupan lahan hutan dia
pakai alat ya. Tutupan lahan seperti apa
dia pakai alat. Jadi manual sekali
bagaimana memvalidasi
ee aplik apa citra satelit itu ya. Itu
kan mahal ya karena harus manusia survei
apalagi ke tengah hutan gitu. Nah, maka
dengan adanya deep learning ini ee
ya kita ajari aturan-aturan umumnya
biar EAI yang berpikir begitu ya. Jadi
ee
kemajuan di dalam membaca citra satelit
ini sekarang menjadi lebih cepat
dibandingkan dulu. Demikian juga untuk
prediksi iklim, cuaca,
ee identifikasi spesies burung dari
rekaman audio ya, deteksi pencemaran ini
ee sekarang sudah mudah dikenali oleh
ee ini ya, oleh ee AI.
Nah, itu barangkali ya yang sudah kita
bahas mulai dari metode yang paling
klasik, pemantauan, kemudian ada
modeling ya.
Ya, sebelum modeling ada analisis
statistik begitu kemudian kita pakai
komputer untuk modeling sampai akhirnya
modeling yang diotomatisasi.
Jadi menggunakan AI. AI tadi sudah kita
bahas AI eh untuk bidang lingkungan
terutama adalah machine learning yang
kemudian didetailkan lagi menjadi neural
network dan juga deep learning ya. Deep
learning menjadi satu yang paling
kompleks.
Nah, ee ketika data-data analisis itu
sudah keluar tentu belum selesai ya. ee
harus ada seorang ahli ya ahli
lingkungan yang mengintegrasikan
berbagai hasil analisis tadi untuk
menyelesaikan permasalahan.
Nah, jadi tetap saja ya walaupun ada AI,
AI ini belum sampai level dia bisa
mengambil keputusan. dia hanya membantu
analisis saja. Sampai saat ini memang
ada level-level AI ya yang nantinya itu
dia bisa membuat keputusan tapi belum ee
belum sampai situ untuk saat ini. Nah,
tetap saja untuk saat ini yang membuat
keputusan adalah manusia melihat dari
produk data AI yang dihasilkan.
Dan di sini manusia ya dalam hal ini
tenaga ahli lingkungan dia harus
berpikir secara transisiplin.
Dia jangan hanya bicara tentang sains
dan teknologi, tapi dia juga harus lihat
masalah kebijakan, masalah ee sosial ya,
masalah keadilan ee sosial dan juga
kepentingan masyarakat. Jadi di sini ee
tentunya perlu ada etika dari seorang
tenaga ahli lingkungan di dalam
menyelesaikan permasalahan lingkungan.
Teknisnya kita bisa menggunakan
ee multriteria decision analisis ya
secara teknisnya dalam membuat keputusan
sebagai alat bantu dan juga kita harus
memperhitungkan keberlanjutan karena
sekarang trennya ini semuanya
keberlanjutan.
Nah, kita seringki juga harus
berkolaborasi dengan masyarakat ya. Jadi
ee tadi ya melibatkan masyarakat di
dalam baik mengumpulkan data ataupun di
dalam menginterpretasikan
ee hasil kemudian di dalam menentukan
kebijakan ini juga ee menjadi tuntutan
tren ya saat ini untuk melibatkan
partisipasi publik.
Nah, untuk konteks kita di Indonesia ya
tentu saja masih banyak tantangan
khususnya ada kesenjangan data dan
teknologi. Kita belum sepenuhnya
menguasai teknologi-teknologi terbaru
tersebut. Juga bagaimana pendapat
ma