DETEKSI DAN ESTIMASI JUMLAH POHON SAWIT MENGGUNAKAN ALGORITMA DEEPFOREST PADA KEBUN SAWIT MESUJI

Reginia Putri Maharani, Maharani (2026) DETEKSI DAN ESTIMASI JUMLAH POHON SAWIT MENGGUNAKAN ALGORITMA DEEPFOREST PADA KEBUN SAWIT MESUJI. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK.pdf Download (6Mb) | Preview
	File PDF 2. SKRIPSI FULL.pdf Restricted to Hanya staf Download (6Mb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA PEMBAHASAN.pdf Download (6Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Pendekatan berbasis citra udara diterapkan untuk mendeteksi kanopi, menghitung jumlah, dan menentukan titik koordinat pohon kelapa sawit secara otomatis menggunakan algoritma DeepForest berbasis citra udara. Seluruh citra kebun sawit diproses menggunakan QGIS dengan pembagian area menjadi tujuh zona dan dianotasi secara manual menggunakan bounding box pada Roboflow, sehingga menghasilkan 78.783 anotasi kanopi pohon sebagai ground truth untuk pelatihan dan evaluasi model. Model DeepForest dilatih pada google colaboratory dan dievaluasi menggunakan confusion matrix dengan metrik precision, recall, dan F1-score. Hasil evaluasi menunjukkan nilai precision sebesar 0,9357, recall sebesar 0,9433, dan F1-score sebesar 0,9395, yang menandakan performa deteksi yang baik. Model ini berhasil mendeteksi total 73.278 pohon sawit di seluruh zona, sehingga hasil penelitian dapat dimanfaatkan sebagai dasar integrasi ke dalam sistem WebGIS untuk mendukung pengelolaan dan pemantauan kebun kelapa sawit secara efisien. Kata Kunci: DeepForest, deteksi pohon sawit, citra udara, bounding box An aerial image-based approach was applied to detect canopies, count trees, and determine the coordinates of oil palm trees automatically using the DeepForest aerial image-based algorithm. All oil palm plantation images were processed using QGIS by dividing the area into seven zones and manually annotated using bounding boxes in Roboflow, resulting in 78,783 tree canopy annotations as ground truth for model training and evaluation. The DeepForest model was trained on Google Colaboratory and evaluated using a confusion matrix with precision, recall, and F1-score metrics. The evaluation results showed a precision value of 0.9357, a recall of 0.9433, and an F1-score of 0.9395, indicating good detection performance. This model successfully detected a total of 73,278 oil palm trees across all zones, so the research results can be used as a basis for integration into the WebGIS system to support efficient oil palm plantation management and monitoring. Keywords: DeepForest, oil palm detection, aerial imagery, bounding box

Jenis Karya Akhir:	Skripsi
Subyek:	600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	FAKULTAS TEKNIK (FT) > Prodi S1-Teknik Elektro
Pengguna Deposit:	2602427576 Digilib
Date Deposited:	23 Feb 2026 02:56
Terakhir diubah:	23 Feb 2026 02:56
URI:	http://digilib.unila.ac.id/id/eprint/96813

Actions (login required)

Lihat Karya Akhir