Perkebunan kelapa sawit merupakan sektor unggulan dalam perekonomian Indonesia dengan kontribusi sebesar 73,83% dari total ekspor pertanian. Menurut data dari Departemen Agrikultur AS, Indonesia menempati peringkat tertinggi sebagai produsen kelapa sawit terbesar di dunia, dengan total produksi mencapai 43 juta ton. Informasi lebih rinci dapat dilihat pada gambar berikut.
Tingginya angka ekspor ini menunjukkan bahwa pentingnya pengelolaan perkebunan yang optimal untuk menjaga keberlanjutan dan produktivitas dari kelapa sawit ini. Salah satu tantangan utama dalam pengelolaan perkebunan adalah sulitnya manajemen sumber daya seperti perhitungan pohon kelapa sawit karena luas perkebunan yang besar.
Perhitungan jumlah pohon kelapa sawit merupakan salah satu cara dalam manajerial produksi kelapa sawit. Melalui cara ini, perusahaan/pemilik perkebunan dapat melakukan evaluasi dalam pemeliharaan, perawatan, dan pengambilan keputusan terkait kelapa sawit itu sendiri.
Sebelum adanya teknologi modern, perhitungan jumlah pohon kelapa sawit umumnya dilakukan dengan metode konvensional yang mengandalkan tenaga manusia. Para pekerja perkebunan melakukan perhitungan secara manual dengan berjalan di lahan perkebunan dan menghitung setiap pohon secara langsung. Metode ini memiliki beberapa kelemahan, yaitu:
1. Waktu yang Lama
Proses penghitungan manual membutuhkan banyak waktu, terutama pada luas perkebunan yang besar.
2. Kesalahan Manusia
Faktor pekerja yang kelelahan dapat membuat kesalahan pencatatan sehingga menyebabkan ketidakakuratan dalam hasil perhitungan.
3. Biaya Operasional yang Tinggi
Membutuhkan banyak tenaga kerja yang harus bekerja dalam waktu lama, hal ini dapat meningkatkan biaya operasional.
4. Aksesibilitas yang Sulit
Lahan perkebunan yang berada di daerah dengan medan yang sulit dijangkau dapat menyulitkan pekerja dalam melakukan penghitungan.
Untuk mengatasi keterbatasan metode konvensional ini, diperlukan suatu teknologi yang dapat melakukan perhitungan pohon kelapa sawit secara cepat, akurat, dan efektif.
Dalam bidang keilmuan geomatika, pemanfaatan pemotretan udara menggunakan drone atau satelit menjadi alternatif untuk mengatasi permasalahan tersebut. Foto udara yang dihasilkan dapat diolah dengan teknik interpretasi citra, baik secara visual maupun digital.
Akan tetapi, interpretasi visual memiliki kelemahan karena sangat bergantung pada kemampuan individu dan membutuhkan waktu yang lama, di sisi lain, interpretasi digital menawarkan solusi yang lebih otomatis melalui klasifikasi berbasis piksel atau objek. Namun, akurasi metode digital sangat dipengaruhi oleh resolusi citra yang digunakan. Resolusi rendah dapat mengurangi akurasi, terutama dalam mendeteksi objek kecil seperti pohon kelapa sawit.
Seiring perkembangan teknologi, kecerdasan buatan (AI) mulai diterapkan dalam berbagai bidang, termasuk dalam pengolahan citra untuk deteksi objek. Salah satu cabang AI yang berkembang dalam analisis geospasial adalah GeoAI (Geospatial Artificial Intelligence).
GeoAI merupakan integrasi antara kecerdasan buatan dan data geospasial yang bertujuan untuk menganalisis, menginterpretasi, dan mengoptimalkan pemanfaatan data berbasis lokasi.
Teknologi ini memungkinkan analisis yang lebih akurat dan efisien dalam pemetaan serta pengelolaan sumber daya alam, termasuk dalam mendeteksi objek seperti pohon kelapa sawit.
Salah satu algoritma AI yang efektif dalam segmentasi dan deteksi objek adalah deep learning Mask R-CNN. Algoritma ini merupakan pengembangan dari Faster R-CNN dan berbasis pada arsitektur Convolutional Neural Network (CNN). Keunggulan deep learning Mask R-CNN terletak pada kemampuannya dalam mendeteksi dan mengklasifikasikan objek dengan tingkat akurasi tinggi, bahkan ketika objek memiliki variasi bentuk, ukuran, serta kondisi yang tumpang tindih.
Dalam suatu penelitian yang dilakukan oleh Ristawan (2024), ditunjukkan bahwa algoritma Mask R-CNN memiliki kemampuan yang baik dalam menggeneralisasi objek pada citra. Hasil pengolahan menggunakan algoritma ini dapat mendeteksi sebanyak 6.359 pohon sawit. Selain itu, peneliti juga melakukan interpretasi visual untuk memperoleh jumlah pohon yang dianggap sebagai nilai referensi, yakni sebanyak 6.195 pohon.
Selanjutnya, dilakukan pengujian akurasi menggunakan metode confusion matrix dan menghasilkan overall accuracy yang cukup tinggi, yaitu sebesar 94,99%. Akan tetapi, hasil yang diperoleh masih menunjukkan beberapa kesalahan, seperti pohon sawit yang terdeteksi lebih dari satu titik serta pohon yang tidak terdeteksi. Kesalahan ini disebabkan oleh perbedaan tingkat kecerahan pada citra, ketajaman citra yang kurang, serta tingkat kerapatan pohon sawit di suatu area. Detail lebih lanjut dapat dilihat pada gambar berikut.
Meskipun algoritma Mask R-CNN telah menunjukkan hasil yang sangat baik dalam mendeteksi pohon sawit, teknologi ini belum sepenuhnya dapat menggantikan peran manusia.
Namun, jika dibandingkan dengan teknik interpretasi visual dan digital, algoritma ini menawarkan efisiensi yang lebih tinggi dalam pengolahan data dalam skala besar, meski masih memiliki keterbatasan dalam hal akurasi detail. Keterlibatan manusia tetap diperlukan untuk memastikan hasil yang lebih akurat, seperti menghapus titik deteksi ganda atau menambahkan titik pada pohon yang tidak teridentifikasi.
Dengan demikian, kombinasi antara kecerdasan buatan dan interpretasi manual tetap menjadi pendekatan yang paling efektif untuk mendapatkan hasil yang optimal dalam perhitungan pohon sawit.
Pembahasan artikel ini cukup sampai disini ya sobat. Jangan lupa baca artikel Hi-Target Indonesia lainnya juga ya. Supaya ilmu pengetahuan sobat makin bertambah. Sampai jumpa.
Penulis: Dhuta Samudra Ruliyalhaq
Refrensi
- Fevriera, S., & Safara Devi, F. (2023). Analisis Produksi Kelapa Sawit Indonesia: Pendekatan Mikro dan Makro Ekonomi: Vol. XII (Issue 1).
- Ristawan, S.H. (2024). Analisis Tree Counting Tanaman Kelapa Sawit Menggunakan Algoritma Template Matching Oil Palm Dan Deep Learning Mask R-CNN (Studi Kasus: Kabupaten Tanjung Jabung Timur, Provinsi Jambi). Other thesis, Institut Teknologi Sepuluh Nopember Surabaya.
- Ilustrasi Perkebunan Kelapa Sawit melalui Foto Udara (Sumber: id.pinterest.com)
