Implementasi Model YOLOv5 untuk Estimasi Jumlah Tanaman Kelapa Sawit (Elaeis guineensis Jacq.)

Abstrak

Deteksi dan estimasi jumlah tanaman kelapa sawit merupakan aspek penting dalam pengelolaan perkebunan. Metode konvensional yang mengandalkan pencatatan manual memiliki kelemahan dalam hal efisiensi, akurasi, dan biaya. Oleh karena itu, penelitian ini mengimplementasikan model YOLOv5 sebagai pendekatan berbasis deep learning untuk mendeteksi tanaman kelapa sawit dari citra udara. Dataset yang digunakan dalam penelitian ini diperoleh dari gambar hasil foto udara perkebunan kelapa sawit PT Kerry Sawit Indonesia (KSY) 1 dan telah melalui tahapan pra-pemrosesan, pelabelan, serta pelatihan menggunakan Google Colaborator. Evaluasi dilakukan dengan menggunakan data uji dari gambar hasil foto udara kebun percobaan Pusat Penelitian Kelapa Sawit. Hasil evaluasi menunjukkan bahwa model YOLOv5 memiliki tingkat akurasi sebesar 96,85%, presisi 98,48%, recall 98,32%, dan F1-score 98,40%. Dibandingkan dengan metode sebelumnya, YOLOv5 menunjukkan keseimbangan antara kecepatan deteksi dan akurasi yang tinggi, menjadikannya solusi yang lebih efektif untuk estimasi jumlah tanaman kelapa sawit dalam skala besar.