ANALISIS AKURASI ALGORITMA YOLO SEBAGAI DETEKSI OBJEK BERBASIS DEEP LEARNING DALAM MENGIDENTIFIKASI KELAPA SAWIT

Item Type:	Thesis
Title:	ANALISIS AKURASI ALGORITMA YOLO SEBAGAI DETEKSI OBJEK BERBASIS DEEP LEARNING DALAM MENGIDENTIFIKASI KELAPA SAWIT
Abstract:	Perkebunan kelapa sawit memiliki peranan penting dalam perekonomian Indonesia, namun pemantauan lahan perkebunan yang dilakukan secara manual membutuhkan waktu dan sumber daya yang besar. Salah satu solusi untuk meningkatkan efisiensi pemantauan adalah dengan menggunakan teknologi citra udara tanpa awak (UAV) yang dilengkapi dengan algoritma deteksi objek berbasis deep learning. Penelitian ini menerapkan algoritma You Only Look Once (YOLO) berbasis deep learning untuk mendeteksi pohon kelapa sawit dari citra UAV. Dataset citra diproses melalui tahapan konversi, patching, anotasi, pelatihan model, dan pengujian, dengan evaluasi dilakukan terhadap hasil deteksi menggunakan data referensi (ground truth). Pengukuran akurasi dilakukan melalui metrik precision, recall, F1-score, serta evaluasi spasial menggunakan commission error, omission error, dan akurasi total. Hasil penelitian menunjukkan bahwa algoritma YOLO mampu mendeteksi pohon sawit dengan tingkat akurasi yang tinggi dan kesalahan minimal Temuan ini menunjukkan potensi YOLO sebagai alat bantu otomatisasi dalam pemetaan pohon sawit, sehingga dapat digunakan sebagai dasar dalam pengambilan keputusan spasial di sektor perkebunan secara cepat, akurat, dan efisien. Berdasarkan hasil evaluasi, model YOLO berhasil mencapai rata-rata akurasi spasial sebesar 88% dan rata-rata F1-Score sebesar 96,13% pada tiga area uji. Hal ini mencerminkan bahwa lebih dari 95% pohon sawit berhasil dikenali secara tepat dan konsisten, dengan tingkat kesalahan (error) yang rendah. Capaian ini menegaskan keandalan model dalam mendukung efisiensi proses identifikasi objek pada citra UAV secara otomatis di berbagai kondisi kebun. Kata kunci: YOLO, deteksi objek, UAV, kelapa sawit, deep learning
Creators:	SAEPULOH, ---
Subjects:	G Geography. Anthropology. Recreation > GA Mathematical geography. Cartography
Depositing User:	Mrs. Ineu Nuraeni, S.Sos
Date Deposited:	10 Sep 2025 03:01
Last Modified:	10 Sep 2025 03:01
URI:	https://repo.unwim.ac.id/id/eprint/1086

Perkebunan kelapa sawit memiliki peranan penting dalam perekonomian Indonesia, namun pemantauan lahan perkebunan yang dilakukan secara manual membutuhkan waktu dan sumber daya yang besar. Salah satu solusi untuk meningkatkan efisiensi pemantauan adalah dengan menggunakan teknologi citra udara tanpa awak (UAV) yang dilengkapi dengan algoritma deteksi objek berbasis deep learning.
Penelitian ini menerapkan algoritma You Only Look Once (YOLO) berbasis deep learning untuk mendeteksi pohon kelapa sawit dari citra UAV. Dataset citra diproses melalui tahapan konversi, patching, anotasi, pelatihan model, dan pengujian, dengan evaluasi dilakukan terhadap hasil deteksi menggunakan data referensi (ground truth). Pengukuran akurasi dilakukan melalui metrik precision, recall, F1-score, serta evaluasi spasial menggunakan commission error, omission error, dan akurasi total. Hasil penelitian menunjukkan bahwa algoritma YOLO mampu mendeteksi pohon sawit dengan tingkat akurasi yang tinggi dan kesalahan minimal Temuan ini menunjukkan potensi YOLO sebagai alat bantu otomatisasi dalam pemetaan pohon sawit, sehingga dapat digunakan sebagai dasar dalam pengambilan keputusan spasial di sektor perkebunan secara cepat, akurat, dan efisien. Berdasarkan hasil evaluasi, model YOLO berhasil mencapai rata-rata akurasi spasial sebesar 88% dan rata-rata F1-Score sebesar 96,13% pada tiga area uji. Hal ini mencerminkan bahwa lebih dari 95% pohon sawit berhasil dikenali secara tepat dan konsisten, dengan tingkat kesalahan (error) yang rendah. Capaian ini menegaskan keandalan model dalam mendukung efisiensi proses identifikasi objek pada citra UAV secara otomatis di berbagai kondisi kebun.
Kata kunci: YOLO, deteksi objek, UAV, kelapa sawit, deep learning