Metode Deteksi Pokok Pohon Secara Automatis pada Citra Perkebunan Sawit Menggunakan Model Convolutional Neural Network (CNN) pada Perangkat Lunak Sistem Informasi Geografis
DOI:
https://doi.org/10.25126/jtiik.2022976772Abstrak
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.
Abstract
Oil 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.
Downloads
Referensi
ALFREDO, I. & S., 2022. Perbaikan Model Alexnet Untuk Mendeteksi Kematangan Tbs Kelapa Sawit Dengan Menggunakan Image Enhancement Dan Hyperparameter Tuning. Jurnal Ilmiah Teknologi Dan Rekayasa, 27(1), Pp. 56 - 68.
ARROFIQOH, E. N. & H., 2018. Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi. Geomatika, Pp. 61-68.
B. P. S., 2019. STATISTIK KELAPA SAWIT INDONESIA 2019. Jakarta: Badan Pusat Statistik.
B. P. S., 2020. STATISTIK KELAPA SAWIT INDONESIA 2020. Jakarta: Badan Pusat Statistik.
IQBAL, M. S., ALI, H., TRAN, S. N. & IQBAL, T., 2020. Coconut Trees Detection And Segmentation In Aerial Imagery Using Mask Region‐Based Convolution Neural Network. Iet Computer Vision, Pp. 428-439.
LIU, X., GHAZALI, K. H., HAN, F. & MOHAMED, I. I., 2020. Automatic Detection Of Oil Palm Tree From Uav Images Based On The Deep Learning Method. Applied Artificial Intelligence, 35(1), Pp. 13-24.
NAUTHIKA, T. A., SUPRAYOGI, A. & SUDARSONO, B., 2017. Identifikasi Dan Estimasi Tingkat Produktivitas Kelapa Sawit Menggunakan Teknologi Lidar (Studi Kasus : Air Upas, Kabupaten Ketapang). Jurnal Geodesi Undip, 6(4), Pp. 254-262.
PRASVITA, D. S., SANTONI, M. M., WIRAWAN, R. & TRIHASTUTI, N., 2021. Klasifikasi Pohon Kelapa Sawit Pada Data Fusi Citra Lidar Dan Foto Udara Menggunakan Convolutional Neural Network. Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika, 06(02), Pp. 406-405.
RAMASARI, F., F., NITA, S. & K., 2021. Penggunaan Metode You Only Look Once Dalam Penentu Pindah Tanaman Cabai Besar Ternotifikasi Telegram. Elektron, 13(2), Pp. 48-52.
RIDHOVAN, A. & SUHARSO, A., 2022. Penerapan Metode Residual Network (Resnet) Dalam Klasifikasi Penyakit Pada Daun Gandum. Jipi, 7(1), Pp. 58-65.
STEFANO, A., 2019. Pemanfaatan Gis (Geographic Information System) Untuk Memonitor. Buletin Loupe, 15(2), Pp. 8-17.
SUGANDI, A. N. & HARTONO, B., 2022. Implementasi Pengolahan Citra Pada Quadcopter Untuk Deteksi Manusia Menggunakan Algoritma Yolo. Prosiding 13th Industrial Research Workshop And National Seminar, 13(1), Pp. 183-188.
ULTAMI, D., FAZLINA, Y. D. & S., 2022. Automatic Palm Counting Menggunakan Citra Resolusi Spasial Tinggi. Jurnal Ilmiah Mahasiswa Pertanian, 7(2), Pp. 621-626.
YARAK, K. ET AL., 2021. Oil Palm Tree Detection And Health Classification On High-Resolution Imagery Using Deep Learning. Mdpi, 11(183), Pp. 1 - 16.
ZHENG, J., WU, W., YU, L. & FU, H., 2021. Coconut Trees Detection On The Tenarunga Using High-Resolution Satellite Images And Deep Learning. Igarss, Pp. 6512 - 6515.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).