Perbandingan Deteksi Objek Kelapa Sawit Menggunakan Metode Deep Learning SSD dan Faster R-CNN pada Wilayah Pasangkayu, Sulawesi Barat

Perkebunan kelapa sawit yang memiliki kerapatan spasial tinggi memerlukan metode pemetaan yang cepat, akurat, dan efisien untuk mendukung manajemen aset dan pemantauan berbasis digital. Penelitian ini bertujuan untuk mengimplementasikan metode deep learning berbasis informasi spasial guna mengenali dan menghitung objek kelapa sawit secara otomatis menggunakan citra satelit resolusi tinggi pada perangkat lunak ArcGIS Pro. Studi kasus dilakukan di Desa Gunung Sari, Kecamatan Pasangkayu, Sulawesi Barat. Penelitian ini membandingkan performa dua arsitektur deep learning, yaitu one-stage detector menggunakan model Single Shot Multibox Detector (SSD) dan two-stage detector menggunakan model Faster Region-based Convolutional Neural Network (Faster R-CNN) dengan variasi jumlah sampel (273 label dan 650 label). Hasil penelitian menunjukkan bahwa model SSD tidak optimal untuk area perkebunan yang rapat, dengan nilai Average Precision (AP) sebesar 0,3471 (34,71%) dan menghasilkan banyak kesalahan deteksi (false positive) pada vegetasi non-sawit. Di sisi lain, arsitektur Faster R-CNN terbukti jauh lebih andal dan adaptif. Model Faster R-CNN dengan 273 label menghasilkan AP tertinggi sebesar 0,8352 (83,52%), namun mengalami kendala visual berupa tumpang tindih (bounding box overlap). Konfigurasi terbaik diperoleh pada model Faster R-CNN dengan 650 label, meskipun metrik AP terkoreksi menjadi 0,4128 (41,28%) akibat kompleksitas regresi koordinat tajuk yang berhimpitan, model ini secara visual mampu melokalisasi individu pohon secara presisi, rapi, dan terpisah dengan total ekstraksi mencapai 1.544 pohon kelapa sawit. Penelitian ini membuktikan bahwa pendekatan deep learning berbasis informasi spasial sangat efektif untuk otomatisasi pemetaan komoditas perkebunan.