Segmentasi Tajuk Pohon untuk Estimasi Kredit Karbon Menggunakan YOLO Berbasis Citra Drone pada Perangkat Jetson Nano

Azmi, Atha Rafifi (2026) Segmentasi Tajuk Pohon untuk Estimasi Kredit Karbon Menggunakan YOLO Berbasis Citra Drone pada Perangkat Jetson Nano. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024221006_Undergraduate_thesis_rev.pdf - Accepted Version Restricted to Repository staff only Download (36MB) | Request a copy

Abstract

Perubahan iklim global yang disebabkan oleh peningkatan emisi gas rumah kaca menuntut pengembangan metode yang efisien untuk estimasi kredit karbon guna mendukung mekanisme perdagangan karbon. Penelitian ini mengembangkan sistem segmentasi tajuk pohon berbasis deep learning menggunakan citra drone untuk estimasi kredit karbon yang diimplementasikan pada perangkat edge Jetson Nano Developer Kit. Lima varian model YOLOv11-seg dilatih menggunakan dataset citra drone dengan resolusi tinggi yang diperoleh dari area Institut Teknologi Sepuluh Nopember dan Kebun Raya Purwodadi. Hasil pelatihan menunjukkan YOLOv11x-seg mencapai performa terbaik dengan mAP@0,5 sebesar 78,7% dan recall sebesar 93%. Pengujian inference pada PC menunjukkan model YOLOv11m-seg memberikan keseimbangan optimal dengan FPS tertinggi sebesar 41,12, rasio variabilitas terendah sebesar 3,15, dan mAP@50 sebesar 78,74%, sementara YOLOv11x-seg meskipun paling akurat mengalami penurunan kecepatan sebesar 28,0% dibanding YOLOv11m-seg. Implementasi pada Jetson Nano menghadapi keterbatasan signifikan dimana RAM menjadi bottleneck utama, sehingga hanya YOLOv11n-seg dan YOLOv11s-seg yang dapat dijalankan dengan FPS masing-masing sebesar 4,32 dan 2,75, mengalami penurunan performa sebesar 89,5% dan 92,8% dibandingkan PC. YOLOv11n-seg terbukti menjadi pilihan optimal untuk deployment edge dengan estimasi total area tajuk pohon yang sebanding dengan varian lebih besar namun dengan kecepatan pemrosesan 57% lebih cepat dari YOLOv11s-seg. Penelitian ini menegaskan bahwa segmentasi tajuk pohon berbasis YOLOv11 dapat diimplementasikan pada perangkat edge untuk estimasi kredit karbon, dengan trade-off antara akurasi dan kecepatan yang harus disesuaikan dengan kebutuhan aplikasi.
=================================================================================================================================
Global climate change caused by increasing greenhouse gas emissions requires the development of efficient methods for carbon credit estimation to support carbon trading mechanisms. This research develops a tree crown segmentation system based on deep learning using drone imagery for carbon credit estimation implemented on Jetson Nano Developer Kit edge devices. Five variants of YOLOv11-seg models were trained using high-resolution drone imagery datasets obtained from the Institut Teknologi Sepuluh Nopember area and Purwodadi Botanical Garden. Training results show that YOLOv11x-seg achieves the best performance with mAP@0.5 of 78.7% and recall of 93%. Inference testing on PC shows that YOLOv11m-seg model provides optimal balance with the highest FPS of 41.12, lowest variability ratio of 3.15, and mAP@50 of 78.74%, while YOLOv11x-seg despite being the most accurate experiences a 28.0% speed reduction compared to YOLOv11m-seg. Implementation on Jetson Nano faces significant limitations where RAM becomes the main bottleneck, so only YOLOv11n-seg and YOLOv11s-seg can be executed with FPS of 4.32 and 2.75 respectively, experiencing performance degradation of 89.5% and 92.8% compared to PC. YOLOv11n-seg proves to be the optimal choice for edge deployment with comparable total tree crown area estimation to larger variants but with 57% faster processing speed than YOLOv11s-seg. This research confirms that YOLOv11-based tree crown segmentation can be implemented on edge devices for carbon credit estimation, with trade-offs between accuracy and speed that must be adjusted to application requirements.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Segmentasi, Tajuk Pohon, Karbon Kredit, YOLO, Jetson Nano, Citra Drone, Segmentation, Tree Crown, Carbon Credit, YOLO, Jetson Nano, Drone Imagery
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Atha Rafifi Azmi
Date Deposited:	20 Jan 2026 04:28
Last Modified:	20 Jan 2026 04:28
URI:	http://repository.its.ac.id/id/eprint/129797

Actions (login required)

View Item