View/Open

Author
Alfred, Downmount Simaremare

Date Published
07 May 2026

Advisor
Triyana Muliawati, S.Si., M.Si.,
Dr. Dewi Suhika, S.Si., M.Sc,

Subject
Matematika

Publisher

Indonesia sebagai negara agraris memiliki sektor perkebunan yang berperan penting dalam perekonomian nasional, khususnya komoditas kelapa sawit yang menjadi penyumbang utama devisa dan kebutuhan industri global. Namun, penghitungan jumlah pohon kelapa sawit pada area perkebunan yang luas masih banyak dilakukan secara manual sehingga memerlukan waktu, biaya, dan tenaga yang besar serta rentan terhadap kesalahan data. Selain itu, penelitian sebelumnya yang memanfaatkan metode pembelajaran mendalam masih berfokus pada evaluasi performa model secara umum dan belum secara spesifik mengkaji penghitungan pohon kelapa sawit pada area luas dengan kondisi citra yang beragam. Penelitian ini bertujuan untuk membangun model deteksi pohon kelapa sawit berbasis algoritma YOLOv8 serta menganalisis performanya dalam mendeteksi dan menghitung jumlah pohon menggunakan metrik precision, recall, dan mean Average Precision (mAP). Dataset yang digunakan sebanyak 2303 citra dari Roboflow. Model dikembangkan menggunakan arsitektur yolov8n dengan parameter epoch 100, batch size 8, ukuran citra 640×640 piksel, optimizer AdamW, learning rate 0,001, dan weight decay 0,01. Hasil penelitian menunjukkan performa model yang sangat baik dengan nilai precision 0,9799, recall 0,9946, mAP@50 0,994, dan mAP@50 − 95 0,849. Pada data uji, model mampumendeteksi21191pohondari20088 data aktual dengan nilai MAPE 5,7%. Penelitian ini menunjukkan bahwa YOLOv8 efektif untuk deteksi dan penghitungan pohon kelapa sawit secara otomatis guna meningkatkan efisiensi serta mendukung pengelolaan perkebunan berbasis data.

URI
https://repo.itera.ac.id/depan/submission/SB2604300006

Keyword
Kelapa Sawit YOLOv8 Deteksi Objek Pembelajaran Mendalam Citra Digital