Pengembangan Sistem Penghitungan Otomatis Pohon Kelapa Sawit Berbasis Citra Pengindraan Jauh

Penulis: Mukhes Sri Muna, Andri Prima Nugroho, Muhdan Syarovy, Ardan Wiratmoko, Suwardi Suwardi, Lilik Sutiarso | Tahun: 2022 | DOI: https://doi.org/10.2991/978-94-6463-086-2_68

---

Menghitung jumlah pohon kelapa sawit di sebuah kebun, terutama yang luasnya ratusan atau ribuan hektar, secara tradisional adalah pekerjaan yang melelahkan, memakan waktu berbulan-bulan, dan rentan terhadap kesalahan manusia. Bayangkan tim survei yang berjalan kaki di antara barisan pohon, menghitung dan mencatat satu per satu, di bawah terik matahari Sumatera. Kini, dengan kemajuan teknologi pengindraan jauh (remote sensing) dan kecerdasan buatan, pekerjaan itu dapat diselesaikan dalam hitungan jam dari balik layar komputer.

Penelitian ini mengembangkan sistem penghitungan pohon kelapa sawit secara otomatis menggunakan citra satelit atau drone resolusi tinggi yang dikombinasikan dengan algoritma deep learning, khususnya arsitektur convolutional neural network (CNN) yang sudah terbukti unggul dalam pengenalan pola pada citra. Model dilatih menggunakan dataset citra yang telah diberi anotasi manual (setiap pohon ditandai secara manual oleh ahli), kemudian diuji pada area yang berbeda untuk mengevaluasi kemampuan generalisasinya.

Hasil menunjukkan bahwa sistem yang dikembangkan mampu menghitung pohon dengan tingkat akurasi yang sangat tinggi, melampaui 95% pada kondisi citra yang baik. Sistem juga mampu membedakan pohon yang sehat dari yang diduga sakit berdasarkan pola tajuk (canopy) yang terlihat dari udara, membuka potensi untuk early warning penyakit skala kebun. Tantangan utama yang diidentifikasi adalah penurunan akurasi pada kondisi citra yang terhalang awan atau memiliki resolusi lebih rendah.

Berikut ringkasan faktor-faktor yang diteliti beserta peran dan tingkat pengaruhnya.

Faktor	Peran dalam Penelitian	Kondisi / Konteks	Tingkat Pengaruh	Temuan Spesifik
Algoritma Deep Learning (CNN)	Teknologi kunci sistem penghitungan otomatis, mengenali dan menghitung pohon sawit dari pola tajuk di citra udara	Model dilatih dengan dataset citra yang dianotasi manual oleh ahli, diuji pada area berbeda	Sangat Tinggi	Akurasi penghitungan mencapai lebih dari 95% pada kondisi citra yang baik, jauh melampaui kemampuan dan kecepatan tim survei manual
Resolusi & Kualitas Citra	Penentu utama akurasi sistem, model sangat sensitif terhadap kualitas data input	Citra satelit atau drone resolusi tinggi, kondisi cerah tanpa tutupan awan signifikan	Sangat Tinggi	Keterbatasan utama: akurasi menurun pada citra yang terhalang awan atau beresolusi lebih rendah. Pemilihan jadwal akuisisi citra saat cuaca cerah menjadi kritis
Deteksi Kesehatan Pohon via Canopy	Kemampuan tambahan: membedakan pohon sehat dari yang diduga sakit berdasarkan pola tajuk	Pohon terinfeksi penyakit menunjukkan pola tajuk berbeda yang dapat dikenali oleh model CNN	Signifikan	Membuka potensi early warning system penyakit skala kebun, pohon yang diduga sakit dapat diprioritaskan untuk pemeriksaan lapangan lebih lanjut
Inventarisasi Periodik Otomatis	Manfaat operasional utama: inventarisasi pohon yang akurat dan ter-update tanpa biaya dan waktu besar	Dapat dilakukan secara rutin menggunakan drone atau citra satelit yang semakin terjangkau	Signifikan	Data inventarisasi yang akurat adalah fondasi: perencanaan panen, perhitungan potensi produksi, dan sistem informasi manajemen kebun yang berbasis data
Generalisasi Model ke Area Baru	Kemampuan model yang sudah dilatih untuk diaplikasikan ke kebun berbeda tanpa pelatihan ulang penuh	Diuji pada area yang berbeda dari data pelatihan untuk evaluasi kemampuan generalisasi	Terbatas	Kualitas dan keberagaman dataset anotasi manual menentukan seberapa baik model dapat digeneralisasi ke kondisi kebun yang berbeda

Dengan sistem ini, inventarisasi pohon yang akurat dan ter-update dapat dilakukan secara periodik tanpa biaya dan waktu yang besar. Data ini menjadi fondasi penting untuk sistem informasi manajemen kebun (plantation management information system) yang akurat.

Ada pertanyaan tentang penelitian ini atau pengalaman serupa di kebun Anda? Tulis di kolom komentar, kami senang berdiskusi.

---