Metode Deteksi Pokok Pohon Secara Automatis pada Citra Perkebunan Sawit Menggunakan Model Convolutional Neural Network (CNN) pada Perangkat Lunak Sistem Informasi Geografis

Abstract

Perkebunan sawit merupakan salah satu bisnis yang diminati oleh industri baik di dalam maupun luar negeri. Perkebunan sawit di Indonesia dengan lahan yang sangat luas merupakan sumber pendapatan negara yang potensial. Namun, proses monitoring menjadi tantangan tersendiri jika dilakukan secara manual. Oleh karena itu diperlukan terobosan inovasi agar proses monitoring dapat dilakukan secara efisien namun tetap akurat. Teknologi penginderaan jauh dapat diterapkan sebagai solusi. Dengan menggunakan Unmanned Aerial Vehicle (UAV) citra perkebunan dapat direkam. Selanjutnya dengan implementasi pengolahan citra digital dan kecerdasan buatan, citra dapat dimanfaatkan untuk melakukan monitoring berdasarkan warna dari pohon sawit. Tahap pertama yang diperlukan dalam akuisisi data untuk berbagai keperluan monitoring adalah deteksi pokok pohon sawit secara automatis. Pada penelitian ini didemonstrasikan penggunaan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-34 dan ResNet-50 untuk membangun model deteksi pokok pohon sawit dari citra UAV perkebunan sawit PTPN IV. Tujuan deteksi pokok pohon adalah untuk melakukan analisis lanjutan terkait kondisi pohon sawit seperti status nutrisi, kesiapan panen dan indikasi adanya serangan penyakit. Model ResNet yang telah dilatih berhasil melakukan proses deteksi pokok pohon sawit secara automatis dengan akurasi training sebesar 84% dan akurasi testing rata-rata sebesar 71%. Metode deteksi diterapkan dengan menggunakan perangkat lunak sistem informasi geografis. AbstractOil palm plantations are one of the businesses that are in demand by both local and international industries. Oil palm plantations in Indonesia with very large lands are a very potential source of income for the country. However, the monitoring process related to disease attack and nutritional status becomes a challenge if it is done manually. Therefore, innovation breakthroughs are needed so that the monitoring process can be carried out efficiently but still accurately. Remote sensing technology can be applied as a solution. By using Unmanned Aerial Vehicle (UAV) plantation images can be recorded. Furthermore, with the implementation of digital image processing and artificial intelligence, the image can be used to monitor based on the color of the palm tree. The first step needed in image processing for various monitoring purposes is the automatic detection of oil palm trees. This study demonstrates the use of the Convolutional Neural Network (CNN) method with the ResNet-34 and ResNet-50 architectures to build a palm tree principal detection model from UAV images of PTPN IV oil palm plantations. The purpose of tree detection is to carry out further analysis related to the condition of oil palm trees such as nutritional status, harvest readiness and indications of disease attacks.. The ResNet model that has been trained has successfully carried out the process of detecting oil palm trees automatically with training accuracy of 84%, testing accuracy of 73% and 69%. The detection method is applied using geographic information system software.