Analisis Efektivitas Kombinasi Metode Segment Anything Model (SAM) dan Mask R-CNN dalam Perhitungan Pohon Kelapa Sawit

Ruliyalhaq, Dhuta Samudra (2025) Analisis Efektivitas Kombinasi Metode Segment Anything Model (SAM) dan Mask R-CNN dalam Perhitungan Pohon Kelapa Sawit. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5016211061-Undergraduate-Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Kelapa sawit berkontribusi besar dalam mendorong kemajuan sektor perkebunan di Indonesia. Dari tahun ke tahun, produksi kelapa sawit terus mengalami peningkatan. Hal ini menunjukkan bahwa komoditas kelapa sawit memiliki dampak yang besar dalam mendukung perekonomian Indonesia. Oleh karena itu, perlu adanya pengelolaan yang baik dan optimal pada perkebunan kelapa sawit agar dapat memastikan keberlanjutan dan perkembangan dari komoditas ini. Perhitungan jumlah pohon kelapa sawit menjadi salah satu aspek penting dalam manajemen perkebunan, namun perhitungan secara manual menjadi tidak efisien karena membutuhkan banyak waktu dan tenaga, terutama untuk area yang luas. Penelitian ini bertujuan untuk mengetahui efektivitas penerapan kombinasi metode Segment Anything Model (SAM) dengan Mask R-CNN dalam melakukan perhitungan jumlah pohon kelapa sawit secara otomatis. Proses dimulai dengan segmentasi objek menggunakan SAM, pelabelan data, pelatihan model Mask R-CNN, dan kemudian pendeteksian objek. Hasil yang diperoleh dari metode kombinasi ini kemudian dibandingkan dengan hasil interpretasi visual yang digunakan sebagai nilai acuan. Berdasarkan hasil deteksi, diperoleh total 4.964 pohon kelapa sawit, sedangkan hasil dari interpretasi visual mencapai 5.139 pohon. Evaluasi kinerja model menggunakan confusion matrix menunjukkan bahwa metode kombinasi menghasilkan nilai overall accuracy sebesar 94,92% setelah melalui post-processing. Hasil ini membuktikan bahwa kombinasi metode SAM dan Mask R-CNN efektif dalam mendeteksi objek pohon kelapa sawit dengan kesalahan yang relatif rendah. Dari segi efisiensi waktu, digitasi manual dapat lebih efisien dalam kondisi tertentu, seperti pada area kecil atau ketika menggunakan perangkat berspesifikasi menengah ke bawah. Metode kombinasi lebih unggul saat diterapkan pada area berskala besar karena mampu memberikan hasil yang lebih konsisten serta dengan waktu pengolahan yang lebih singkat.
====================================================================================================================================
Oil palm contributes greatly to the progress of plantation sector in Indonesia. From year to year, palm oil production continues to increase. This shows that the palm oil commodity has a major impact in supporting the Indonesian economy. Therefore, there is a need for good and optimal management of oil palm plantations in order to ensure the sustainability and development of this commodity. The calculation of the number of oil palm trees is one of the important aspects in plantation management, but manual calculation is inefficient because it requires a lot of time and energy, especially for large areas. This study aims to determine the effectiveness of applying a combination of the Segment Anything Model (SAM) and Mask R-CNN methods for calculating number of oil palm trees automatically. The process starts with object segmentation using SAM, data labeling, Mask R-CNN model training, and then object detection. The results obtained from this combination method are then compared with the visual interpretation results used as reference values. Based on the detection results, a total of 4963 oil palm trees were obtained, while the results from visual interpretation reached 5139 trees. Evaluation of model performance using confusion matrix method shows that the combination method produces an overall accuracy value of 94.92% after post-processing. These results prove that the combination method is effective in detecting plam tree objects eith relatively low errors. In terms of time efficiency, manual digitization can be more efficient under certain conditions, such as in small areas or when using medium to low specification devices. The combination method is superior when applied to large scale areas because it is able to provide more consistent results with less processing time.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kelapa Sawit, Mask R-CNN, Perhitungan Pohon, SAM, Mask R-CNN, Oil Palm, SAM, Tree Counting
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Dhuta Samudra Ruliyalhaq
Date Deposited:	23 Jul 2025 07:29
Last Modified:	23 Jul 2025 07:29
URI:	http://repository.its.ac.id/id/eprint/120876

Actions (login required)

View Item