yusuf601 / tutorial.md

Last active July 28, 2026 21:31

Panduan Ablation Study

Kita akan menjalankan 3 eksperimen training sekaligus menggunakan Kaggle Notebook.

Langkah Persiapan

Buka Template Notebook Kaggle.
Klik tombol titik tiga ( ⋮ ) di kanan atas, lalu pilih Copy and Edit Notebook.
Di dalam notebook baru Anda:
- Buka menu Add-ons > Secrets, pastikan Wandb-Api-Key sudah terpasang dan tercentang.
- Buka menu pengaturan session (kanan atas), pastikan Accelerator diset ke GPU T4 x2.

yusuf601 / file.md

Created July 9, 2026 13:52

!python /kaggle/input/datasets/muhyusuf1112/template-bdc/src/tune.py \
        --config /kaggle/input/datasets/muhyusuf1112/template-bdc/configs/config.yaml \
        --n-trials 20 \
        --override \
            data.train_dir='/kaggle/input/datasets/muhyusuf1112/data256d/train_256' \
            data.test_dir='/kaggle/input/datasets/muhyusuf1112/data256d/test_256' \
            model.backbone=swinv2_base_window12to16_192to256.ms_in22k_ft_in1k \
            data.img_size=256 \
 training.batch_size=16 \

yusuf601 / revisi.md

Created June 21, 2026 11:01

Jika memang kewajibannya hanya boleh menggunakan algoritma klasifikasi SVM, maka kita tidak bisa menyentuh bagian model akhirnya. Namun, hasil ini masih jauh dari kata optimal.

Dalam Machine Learning klasik seperti SVM, pepatah yang berlaku adalah "Garbage In, Garbage Out" atau performa SVM sangat bergantung pada seberapa bagus fitur yang Anda berikan (bukan pada algoritma SVM itu sendiri).

Agar metode SVM di notebook tersebut mencapai titik optimal, Anda harus melakukan perombakan di tahap Ekstraksi Fitur (Feature Engineering). Berikut saran untuk memaksimalkan akurasinya:

1. Jangan Hanya GLCM (Gabungkan 3 Jenis Fitur Sekaligus)

yusuf601 / gist:e4cae11ec9c9e0922d5f87c8e6f6ced0

Created June 16, 2026 14:11

Panduan Kode Google Colab - Preprocessing & ML Kesesuaian Lahan Nilam (10.000 Sampel)

Dokumen ini berisi kode sel demi sel (cell-by-cell) yang siap Anda salin ke Google Colab untuk melakukan ekstraksi parameter Sentinel-2, pemfilteran non-lahan, pelabelan otomatis berbasis aturan ahli, dan pelatihan model Random Forest.

Cell 1

STEP 1 — Import Library & Setup

import numpy as np

yusuf601 / n.md

Last active June 16, 2026 13:14

Rencana Rancangan Aturan Pelabelan (Rule-Based Labeling Plan)

1. Penentuan Parameter & Batas Nilai (Threshold Criteria)

Pembagian kriteria kesesuaian lahan tanaman nilam ke dalam 3 kelas didasarkan pada standar FAO/Djaenuddin.

Parameter	Sesuai (Label 2)	Sesuai Marginal (Label 1)	Tidak Sesuai (Label 0)
Ketinggian (DEM)	10–700 mdpl	701–1000 mdpl	<10 atau >1000 mdpl
Kelerengan (Slope)	<15%	15–30%	>30%

yusuf601 / laporan.md

Created June 12, 2026 18:35

Laporan Akuisisi & Preprocessing Data Spasial

Analisis Kesesuaian Lahan Tanaman Nilam (Konawe)

Dokumen ini mendokumentasikan seluruh tahapan akuisisi data spasial (sumber, alur download) serta proses penyelarasan (preprocessing) untuk persiapan pemodelan Machine Learning (Random Forest).

1. Inventarisasi Data (Data Inventory)

Seluruh data spasial yang digunakan telah diselaraskan ke resolusi 30 meter dengan sistem koordinat WGS 84 (EPSG:4326) agar dapat diolah langsung sebagai matriks/array di program Python.

yusuf601 / kel.md

Last active June 2, 2026 02:15

Berikut versi yang lebih ringkas dan mudah dipahami dari kontrak proyek kalian.

📄 KONTRAK PROYEK — EduLab

Sistem Manajemen Tugas & Penilaian Praktikum

Aturan Utama yang Wajib Dipatuhi Semua Anggota

yusuf601 / rise_code_pendahuluan.md

Last active May 7, 2026 02:18

1. FAO

TY  - BOOK
AU  - Food and Agriculture Organization of the United Nations
TI  - Safety at Sea and Decent Work in Fisheries and Aquaculture
PY  - 2021
CY  - Rome
PB  - Food and Agriculture Organization of the United Nations

yusuf601 / ris_code.md

Last active May 4, 2026 01:42

1. Cui, M.-X., He, K.-H., Wang, F., & Paik, J.-K. (2025)

TY  - JOUR
AU  - Cui, M.-X.
AU  - He, K.-H.
AU  - Wang, F.
AU - Paik, J.-K.

yusuf601 / studi_banding.md

Created March 15, 2026 16:56

Proposal yang lolos ini menunjukkan bahwa PKM-GFT pemenang tidak harus super-ketat secara engineering; yang lebih menonjol justru kombinasi masalah sosial yang jelas, teknologi yang terdengar maju, struktur penulisan yang patuh panduan, adanya aktor implementasi, serta timeline realisasi jangka panjang. Dari contoh ini, pelajaran paling penting untuk NALAR adalah: reviewer bisa menerima gagasan yang sangat ambisius selama narasi masalah, manfaat, dan alur realisasinya terasa utuh. [ppl-ai-file-upload.s3.amazonaws](https://ppl-ai-file-upload.s3.amazonaws.com/web/direct-files/attachments/110014721/099a11cb-9875-43cf-80d4-4ef191d2131e/muhammadrizkyyamin_universitashaluoleo_PKM-GFT.pdf?AWSAccessKeyId=ASIA2F3EMEYEYT27XJTB&Signature=z5v1csbRR9y5VeLHEFoYn40fFQE%3D&x-amz-security-token=IQoJb3JpZ2luX2VjEPn%2F%2F%2F%2F%2F%2F%2F%2F%2F%2FwEaCXVzLWVhc3QtMSJHMEUCIGCuz5cCfa6t%2BiDEUh393LJjq993bUBnwwXb1j13MhRyAiEAq81nRAd5bxHijk5Npx0VbcYDCKnMKIRghSRbDm5g6bkq%2FAQIwv%2F%2F%2F%2F%2F%2F%2F%2F%2F%2FARABGgw2OTk3NTMzMDk3MDUiDODmenp

Muh Yusuf yusuf601