Estimasi Kerentanan Air Tanah dengan RStudio

Ingin memahami bagaimana kerentanan air tanah terhadap pencemaran dapat dianalisis menggunakan Random Forest di RStudio? Pelatihan ini dirancang untuk membekali peserta dengan keterampilan analisis groundwater vulnerability yang aplikatif, relevan, dan siap digunakan di dunia kerja maupun penelitian. Mengapa pelatihan ini perlu diikuti? 👇

Program Intensif 3 Hari (9 Jam) ⏱️

Pelatihan dilaksanakan selama tiga hari dengan total durasi 9 jam. Materi disusun terstruktur, mulai dari pengenalan data hidrogeologi dan sintaks dasar R hingga pembuatan model Random Forest untuk prediksi kerentanan air tanah.

Berbasis RStudio & Analisis Data Spasial 💻

Seluruh praktik dilakukan langsung di RStudio. Peserta akan belajar mengolah data hidrogeologi dan parameter DRASTIC, melakukan cleaning dan transformasi data, serta membangun model prediksi kerentanan air tanah menggunakan Random Forest.

Fokus pada Analisis Kerentanan Spasial 💧

Peserta akan mempelajari integrasi parameter DRASTIC (Depth to water, Recharge, Aquifer media, Soil media, Topography, Impact of vadose zone, Conductivity), evaluasi model, hingga menghasilkan peta kerentanan terhadap pencemaran. Studi Kasus:

Perlindungan Sumber Air 🏞️

Materi menggunakan contoh wilayah sehingga peserta dapat memahami bagaimana hasil model dimanfaatkan untuk mitigasi risiko pencemaran dan pengelolaan sumber daya air.

Output Peta Interaktif & Visualisasi 📊

Peserta tidak hanya membangun model, tetapi juga membuat peta kerentanan interaktif menggunakan leaflet atau mapview sehingga hasil analisis dapat dipresentasikan secara profesional dan mudah dipahami.

Siapa yang cocok mengikuti pelatihan ini? 🙋‍♀️🙋‍♂️

Mahasiswa & Peneliti: Untuk tugas akhir dan penelitian akademik
Hydrologist & Environmental Scientist: Untuk pemodelan risiko pencemaran air tanah
GIS Analyst: Untuk analisis spasial dan visualisasi peta kerentanan
Staf Pengelolaan Sumber Daya Air: Untuk mendukung perencanaan dan mitigasi
Praktisi Data / Data Enthusiast: Yang tertarik pada penerapan Machine Learning di bidang lingkungan