Implementasi UNet++ untuk Segmentasi Peta Kawasan Kebun Salak

Zaini, Gilbert (2025) Implementasi UNet++ untuk Segmentasi Peta Kawasan Kebun Salak. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (352kB)
	PDF BAB_II.pdf Download (629kB)
	PDF BAB_III.pdf Download (3MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (8MB)
	PDF BAB_V.pdf Download (326kB)
	PDF DAFTAR_PUSTAKA.pdf Download (324kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Salak merupakan buah asli Indonesia yang sangat diminati di luar negeri dan berhasil membuatnya menjadi salah satu komoditas ekspor utama Indonesia. Dalam pengeksporan salak, ditetapkan standar yang sangat ketat, terutama terkait dengan hama seperti lalat buah. Pada 2024, Cina sempat menangguhkan impor salak dari Indonesia karena ditemukan lalat buah di antara salak yang diimpor. Untuk mengendalikan populasi lalat buah, strategi AW-IPM (Area-Wide Integrated Pest Management) yang memanfaatkan peta GIS dapat digunakan. Kebun salak yang letaknya tersebar di beberapa daerah mengakibatkan dibutuhkan ketelitian yang tinggi dalam pemisahannya. Untuk mempermudah proses pemisahan tersebut, model machine learning dapat digunakan untuk melakukan segmentasi kawasan kebun salak dengan akurat, untuk mencegah adanya kebun yang terlewat dan kemudian membuat AW-IPM tidak efektif. Pada penelitian ini, dilakukan mapping dengan drone pada kawasan kebun salak yang dikelola Paguyuban Mitra Turindo, yang kemudian berfungsi sebagai dataset. Seluruh data yang didapatkan lalu dianotasi, di-crop menggunakan metode patch crop menjadi beberapa gambar beresolusi 256×256 piksel, dan dibagi dengan rasio 70-15-15. Model segmentasi yang digunakan menggunakan basis arsitektur UNet++ dengan konfigurasi backbone EfficientNetB0, Xception, dan MobileNetV2. beserta pretrained weights ImageNet dan None. 6 model yang dihasilkan kemudian dievaluasi terhadap test dataset menggunakan metrik dice coefficient, IoU, accuracy, precision, recall, dan juga training graph untuk mendapatkan model terbaik. Hasilnya, model dengan konfigurasi backbone MobileNetV2 dan pretrained weights ImageNet menghasilkan performa terbaik, dengan nilai Precision sebesar 0.8207, IoU sebesar 0.7747, dan dice coefficient senilai 0.8361. Model tersebut kemudian digunakan dalam pengujian inferensi terhadap test dataset dan gambar tangkapan drone, yang merefleksikan kemampuannya dalam mengenali kawasan kebun salak dalam skenario nyata dengan performa yang baik.

Item Type:

Thesis (Bachelor Thesis)

Keywords:

Segmentasi, Machine Learning, UNet++, Drone Mapping, AW- IPM

Creators: