Analisis Identifikasi Kanopi Pohon Kelapa Sawit Menggunakan Metode Mask R-Cnn Dan Sam (Studi Kasus: Desa Tanjung Gusta, Sumatera Utara)

Nurul, Fitri Alya (2024) Analisis Identifikasi Kanopi Pohon Kelapa Sawit Menggunakan Metode Mask R-Cnn Dan Sam (Studi Kasus: Desa Tanjung Gusta, Sumatera Utara). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6016221011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Industri perkebunan kelapa sawit di Indonesia berkembang pesat sejak meningkatnya permintaan minyak kelapa sawit global. Hal ini perlu didukung dengan inovasi teknologi dalam peningkatan produksi kelapa sawit. Salah satunya integrasi dengan teknologi kecedasan buatan. Penelitian ini bertujuan untuk mengembangkan metode yang kuat dan akurat dalam melakukan segmentasi pohon kelapa sawit di kawasan perkebunan. Dengan memanfaatkan teknik algoritma pembelajaran mendalam, penelitian ini mengeksplorasi potensi SAM dan gabungan Mask R-CNN dan SAM dalam menggambarkan secara akurat masing-masing pohon kelapa sawit yang berasal dari citra udara. Studi ini juga melibatkan pengembangan kumpulan data berlabel yang komprehensif dan serbaguna untuk mendukung training dan validasi model pembelajaran mendalam untuk penghitungan dan segmentasi pohon kelapa sawit. Hasil penelitian menunjukkan bahwa kedua algoritma Mask R-CNN dan SAM dapat melakukan segmentasi kanopi pohon individu dengan Baik. Kinerja dari pendekatan yang diusulkan dievaluasi dan dibandingkan dalam kedua algoritma menggunakan metrik. Metode SAM menghasilkan akurasi sebesar 84%. Sedangkan metode gabungan SAM dengan Mask R-CNN menghasilkan akurasi lebih baik 8% dari sebelumnya. Proses segmentasi menggunakan gabungan metode SAM dan Mask R-CNN menghasilkan akurasi lebih tinggi 54% dibandingkan dengan menggunakan model Mask R-CNN sendiri. Selain itu, jumlah pohon yang terdeteksi oleh model SAM sendiri lebih sedikit 1,7%, dan lebih banyak 2,3% oleh model gabungan jika dibandingkan dengan ground truth. Hal ini menunjukkan kebutuhan akan training data dan keterlibatan manusia dalam proses deep learning masih dianggap penting dalam industri kecerdasan buatan. Penelitian selanjutnya dapat fokus dalam peningkatan performa SAM dengan proses fine-tuned.

================================================

The oil palm plantation industry in Indonesia has experienced rapid growth due to the increasing global demand for palm oil. This necessitates the support of technological innovations to enhance palm oil production, one of which is the integration with artificial intelligence technology. This research aims to develop a robust and accurate method for segmenting oil palm trees in plantation areas. By leveraging deep learning algorithm techniques, this study explores the potential of SAM and the combination of Mask R-CNN and SAM to accurately delineate individual oil palm trees from aerial imagery. The study also involves the development of a comprehensive and versatile labeled dataset to support the training and validation of deep learning models for oil palm tree counting and segmentation. The research findings indicate that both Mask R-CNN and SAM algorithms can effectively segment individual tree canopies. The performance of the proposed approach is evaluated and compared using metrics across both algorithms. The SAM method achieved an accuracy of 84%, while the combined SAM and Mask R-CNN method yielded an 8% improvement in accuracy over the SAM method alone. The segmentation process using the combined SAM and Mask R-CNN method resulted in 54% higher accuracy compared to using the Mask R-CNN model alone. Additionally, the number of trees detected by the SAM model alone was 1.7% fewer and 2.3% more by the combined model when compared to the ground truth. This highlights the importance of training data and human involvement in the deep learning process in the artificial intelligence industry. Future research could focus on improving the performance of SAM through fine-tuning processes.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Segmentasi, Convolutional Neural Networks, Segment Anything Model, Kelapa Sawit, Tree Counting
Subjects:	S Agriculture > S Agriculture (General)
Divisions:	Faculty of Civil Engineering and Planning > Geomatics Engineering > 29101-(S2) Master Thesis
Depositing User:	NURUL FITRI ALYA
Date Deposited:	31 Jul 2024 06:14
Last Modified:	31 Jul 2024 06:14
URI:	http://repository.its.ac.id/id/eprint/110865

Actions (login required)

View Item