SISTEM ESTIMASI MASSA TANDAN BUAH SEGAR KELAPA SAWIT MENGGUNAKAN CITRA UNMANNED AERIAL VEHICLE DENGAN MODEL RANDOM FOREST REGRESSION = Fresh Fruit Bunch Mass Estimation System for Oil Palm Using Unmanned Aerial Vehicle Imagery with Random Forest Regression Model

MUHAMMAD IJLAL NURHADI. Sistem Estimasi Massa Tandan Buah Tandan Buah Segar Kelapa Sawit Menggunakan Citra Unmanned Aerial Vehicle dengan Model Random Forest Regression (dibimbing oleh Indrabayu dan Elly Warni) Salah satu aspek penting dalam pengelolaan perkebunan kelapa sawit adalah perencanaan pra-panen untuk mengoptimalkan hasil panen. Perencanaan pra-panen melibatkan estimasi hasil panen yang dilakukan dengan menimbang Tandan Buah Segar (TBS) dari beberapa pohon secara acak untuk mengukur massa rata-rata. Metode ini memiliki kelemahan pada ketidakakuratan sampling dan proses penimbangan manual yang memerlukan waktu dan tenaga yang signifikan. Oleh karena itu, diperlukan pendekatan yang lebih efektif dengan menggunakan visi komputer dan machine learning untuk memudahkan proses estimasi hasil panen. Tujuan dari penelitian ini yaitu merancang sistem estimasi massa TBS kelapa sawit menggunakan citra dari Unmanned Aerial Vehicle (UAV). Citra dari UAV akan disegmentasi menggunakan YOLOv8-Segmentation untuk mengekstraksi fitur geometris TBS yang kemudian digunakan untuk melatih model Random Forest Regression guna mengestimasi massa TBS kelapa sawit. Sebanyak 200 sampel TBS kelapa sawit yang sudah diketahui massa aktualnya digunakan sebagai dataset dengan pembagian: 100 TBS tertutup pelepah dan 100 TBS tidak tertutup pelepah. Dari dataset ini, 3640 citra diekstraksi untuk melatih model YOLOv8-Segmentation dengan terlebih dahulu diaugmentasi dengan penyesuaian saturasi, kecerahan dan eksposur sehingga menghasilkan 8736 citra. Model YOLOv8-Segmentation akan mengekstraksi fitur geometri TBS kelapa sawit yakni sumbu mayor, sumbu minor, luas, keliling dan eksentrisitas untuk melatih model Random Forest Regression. Metrik evaluasi Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) digunakan untuk mengukur akurasi estimasi massa TBS kelapa sawit. Hasil penelitian menunjukkan bahwa model Random Forest Regression yang menggunakan dua fitur–sumbu minor dan eksentrisitas yang diekstrak menggunakan YOLOv8Small-Segmentation memiliki akurasi terbaik pada dataset TBS tertutup pelepah dengan RMSE sebesar 4,73 dan MAE sebesar 3,46. Sedangkan model Random Forest Regression yang menggunakan dua fitur-sumbu minor dan luas yang diekstrak menggunakan YOLOv8Small-Segmentation memililki akurasi terbaik pada dataset TBS tidak tertutup pelepah dengan RMSE sebesar 3,89 dan MAE sebesar 2,92. Model dengan akurasi terbaik diimplementasikan dalam sistem estimasi massa TBS kelapa sawit, menawarkan pendekatan praktis untuk membantu perencanaan pra-panen yang lebih efektif.

Keyword : estimasi massa TBS, Unmanned Aerial Vehicle, YOLOv8-Segmentation, Random Forest Regression