Metode Deteksi Cepat Serangan Ganoderma pada Perkebunan Kelapa Sawit dengan Penginderaan Jauh

Abstract

Di tengah krisis ekonomi dunia saat ini, industri sawit masih mampu menopang perekonomian domestik Indonesia. Oleh karena itu, potensi kerugian akibat penyakit yang terlambat terdeteksi dan mengakibatkan gagal panen harus diantisipasi sejak dini. Penyakit yang paling sering menyerang perkebunan kelapa sawit adalah Ganoderma. Luas area perkebunan kelapa sawit di Indonesia yang sangat besar merupakan tantangan bagi pengelola untuk dapat melakukan monitoring terhadap serangan Ganoderma secara komprehensif. Teknologi penginderaan jauh merupakan salah satu solusinya. Dengan menggunakan Unmanned Aerial Vehicle (UAV) seperti drone citra perkebunan kelapa sawit dapat direkam dengan cepat. Pada penelitian ini, citra UAV dari perkebunan kelapa sawit diproses menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet-34 untuk deteksi pokok pohon kelapa sawit. Pada hasil deteksi kemudian dilakukan ekstraksi nilai rerata RGB (Red, Green, dan Blue) dari setiap pokok pohon. Nilai rerata RGB kemudian digunakan sebagai input pada custom model Artificial Neural Network (ANN) untuk memprediksi status serangan Ganoderma (terinfeksi atau tidak terinfeksi) pada tiap pokok pohon. Akurasi model CNN deteksi pokok pohon (diukur dengan F1-Score) mencapai 84,61% untuk training dan 73,83% untuk testing. Sedangkan akurasi model ANN status serangan Ganoderma mencapai 91% untuk training dan 94% untuk testing. Dengan metode ini pengelolaan lahan terkait serangan Ganoderma dapat dilakukan dengan efektif dan efisien.