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

William Wicaksono(1*), Kestrilia Rega Prilianti(2), Hendry Setiawan(3), Prasetyo Mimboro(4),

(1) Universitas Ma Chung
(2) Universitas Ma Chung
(3) Universitas Ma Chung
(4) Universitas Ma Chung
(*) Corresponding Author




DOI: https://doi.org/10.26858/jessi.v3i2.38092

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.


Keywords


Artificial Neural Network; Convolutional Neural Network; Ganoderma; Perkebunan Sawit; Penginderaan Jauh

Full Text:

PDF

References


R. Saragih, D. J. C. Sihombing and E. Rahmi, "Sistem Pakar Diagnosa Penyakit Kelapa Sawit Menggunakan Metode Dempster Shafer Berbasis Web," Journal of Information Technology and Accounting, vol. 1, pp. 27-44, 2018.

H. Santoso, "Pengamatan dan Pemetaan Penyakit Busuk Pangkal Batang di Perkebunan Kelapa Sawit Menggunakan Unmanned Aerial Vehicle (UAV) dan Kamera Multispektral," jurnal Fitopatologi Indonesia, vol. 16, pp. 69-80, 2020.

M. N. Anisa, Rokhmatuloh and R. Hernina, "UAV application to estimate oil palm trees health using Visible Atmospherically Resistant Index (VARI) (Case study of Cikabayan Research Farm, Bogor City)," E3S Web of Conferences, vol. 211, pp. 1-7, 2020.

J. Lenhardt, "Use deep learning to assess palm tree health," 2021. [Online]. Available: https://learn.arcgis.com/en/projects/use-deep-learning-to-assess-palm-tree-health/. [Accessed 17 November 2021].

R. P. Ramadhan and N. L. Marpaung, "Identifikasi Jenis Penyakit Daun Tanaman Jagung Menggunakan Jaringan Saraf Tiruan Berbasis Backpropagation," Jom FTEKNIK, vol. 6, pp. 1-5, 2019.

Asyari, M. S., & Mutawally, F. W. (2019). Identifikasi Ganoderma Pada Tanaman Kelapa Sawit Berbasis Reflektansi Gelombang Multispektral. Jurnal Keteknikan Pertanian, 7(3), 193-200.

Rosanti, N. ALGORITME CEDAS UNTUK DETEKSI PENYAKIT BASAL STEM ROT (BSR) DENGAN CITRA MULTISPEKTRAL.

BDR, M. F., Ridwan, I., Adzima, A. F., & Anshori, M. F. (2021). PENGGUNAAN PESAWAT TANPA AWAK (DRONE) DALAM MELAKUKAN PEMANTAUAN DAN IDENTIFIKASI OTOMATIS PADA PERTANAMAN JAGUNG DI KELOMPOK TANI PATTAROWANGTA, KABUPATEN TAKALAR. Jurnal Dinamika Pengabdian (JDP), 7(1).


Article Metrics

Abstract view : 329 times | PDF view : 66 times

Refbacks

  • There are currently no refbacks.


Indexed by:

 

ROAD: the Directory of Open Access scholarly Resources

 

 

Creative Commons License

Journal of Embedded Systems, Security and Intelligent Systems (JESSI) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License