Hari kedua IEEE AGERS menghadirkan diskusi yang terasa sangat relevan untuk kampus di era data: bagaimana remote sensing (penginderaan jauh) bergerak dari sekadar “melihat permukaan bumi” menjadi sistem cerdas yang mampu menganalisis, memprediksi, dan menghasilkan produk siap keputusan—dengan bantuan AI. Tiga pembicara yang menguatkan benang merah tersebut adalah Prof. Matese (Institute of Bioeconomy, Italy), Prof. Prasad Thenkabail (US Geological Survey/USGS), dan Prof. Jun Zhou (Griffith University).
Dari Data Menjadi Keputusan
Jika hari pertama biasanya memberi konteks, hari kedua terasa seperti “masuk ke dapur”—bagaimana data satelit, spektral, dan time-series benar-benar dipakai untuk menjawab persoalan nyata: pertanian, lingkungan, risiko bencana, hingga perencanaan wilayah. Nada besarnya jelas: AI bukan sekadar tren, tapi ‘mesin penerjemah’ yang membuat data besar menjadi rekomendasi yang bisa dieksekusi.
Prof. Matese: Bioeconomy dan “Nilai Tambah” dari Data Lingkungan
Prof. Matese (Institute of Bioeconomy, Italy) membawa perspektif yang sangat dekat dengan isu keberlanjutan: bioeconomy—bagaimana inovasi berbasis sumber daya hayati dan lingkungan dapat didorong oleh data, model, dan pengamatan lapangan.
Di konteks ini, remote sensing berfungsi sebagai “sensor kolektif” berskala wilayah: membantu memetakan kondisi lahan, kesehatan vegetasi, serta perubahan yang sulit dipantau manual. Pesan pentingnya: inovasi hijau butuh pengukuran yang konsisten, dan pengukuran yang konsisten membutuhkan integrasi data yang rapi—bukan sekadar kumpulan peta.
Prof. Prasad Thenkabail (USGS): “AI: Think, Imagine, Create?”
Sesi Prof. Prasad Thenkabail terasa menjadi pusat perhatian, terutama ketika beliau membingkai era baru remote sensing dengan pertanyaan provokatif: “Can AI think? Can AI imagine? Can AI create?”
Dari materi yang ditampilkan, AI digambarkan mampu:
“Think”: mengenali pola pada data berdimensi tinggi, melakukan penalaran probabilistik, dan mengambil keputusan berdasarkan relasi yang dipelajari.
“Imagine”: melakukan simulasi—misalnya menghasilkan spektra sintetis, memprediksi skenario (contoh: hasil panen di bawah perubahan iklim), hingga merancang indeks baru lewat optimasi kombinasi band.
“Create”: menggabungkan berbagai sumber data (misal: berbagai misi satelit), membangun data cube untuk analisis time-series, dan menghasilkan produk siap keputusan seperti peta tanaman (crop maps).
Bagi peserta dari lingkungan kampus, pesannya tajam: masa depan riset bukan hanya “membuat model”, tetapi membangun alur data → analitik → produk → dampak. Dan produk itu harus decision-ready, bukan sekadar paper-ready.
Prof. Jun Zhou (Griffith University): AI yang “Membaca” Pola Kompleks di Bumi
Prof. Jun Zhou (Griffith University) memperkuat topik yang makin dominan dalam komunitas geospasial: bagaimana AI (khususnya machine learning/deep learning) mempercepat pemahaman atas pola yang terlalu kompleks untuk dianalisis manual—mulai dari struktur citra, perubahan temporal, hingga anomali yang “halus” namun bermakna.
Benang merahnya konsisten dengan sesi sebelumnya: AI menjadi pengungkit skala—membuat analisis yang dulunya memakan waktu panjang menjadi lebih cepat, lebih konsisten, dan lebih mudah direplikasi (asalkan kualitas data dan desain evaluasinya disiplin).
5 Catatan Penting untuk Mahasiswa dan Peneliti Tel-U
1) AI bukan pengganti domain knowledge
AI kuat untuk pola, tetapi tetap membutuhkan pemahaman konteks: spektral, atmosfer, sensor, dan proses fisik di balik data.
2) “Data cube” dan time-series jadi keterampilan inti
Bukan hanya memproses 1 citra, tetapi memahami perubahan dari waktu ke waktu untuk menghasilkan insight yang stabil.
3) Ukuran dampak riset bergeser: dari peta ke “produk keputusan”
Output ideal tidak berhenti di visualisasi, tetapi menjadi rekomendasi yang bisa dipakai pemangku kebijakan/industri.
4) Integrasi data lintas-sumber adalah kompetensi masa depan
Kekuatan terbesar sering muncul saat data digabungkan (multi-sensor, multi-resolusi), bukan berdiri sendiri.
5) Etika dan keandalan model harus ikut dibangun
Semakin “otomatis” sebuah sistem, semakin penting audit bias, ketahanan model, dan validasi lapangan.
Hari kedua IEEE AGERS terasa seperti pengingat bahwa era AI tidak menghapus remote sensing—justru memperluas maknanya. Dari “mengambil gambar bumi” menjadi “memahami bumi” dan “menyusun keputusan berbasis bukti”. Telkom University, dengan ekosistem riset dan talenta muda yang kuat, punya ruang besar untuk mengambil peran di gelombang ini—baik lewat riset, proyek kampus, maupun kolaborasi dengan jejaring internasional.
