JGISE Vol. 1 No. 1 (2018), pp. 1 - 9 | https://doi.org/10.22146/jgise.

xxxxx

JGISE
Journal of Geospatial Information Science and Engineering
E-ISSN: 2623-1182 | https://jurnal.ugm.ac.id/jgise

Palm Trees Detection with Arcgis Pro in Pangkalan Kerinci Regency ,

Indonesia
Dita Dwi Aryani1 100%, Poppy Andriani Wirawan2 100%, Ridha Nur Rahmawati3 100%*
1,2,3 Departement of Geodetic Engineering Universitas Gadjah Mada, Yogyakarta, Indonesia

ARTICLE INFO ABSTRACT

Article History: Aerial photogrametry technology can be used in mapping processes in the
Received 13 June 2019 fields of plantations and agriculture including oil palm commodities. This
Received in revisied form 16 June 2019 commodity result is the third largest contributor to non-oil and gas foreign
Accepted 16 June 2019 exchange for the country. Palm oil experiences rapid development almost every
Available online 17 June 2019 year so that an effective and efficient land monitoring strategy is needed. One of
the data that can be used for monitoring is aerial photography. This can be
handled by applying the object detection with training sample method in the
Keywords: palm tree calculation process automatically. This method can produce output in
Aerial Photogrammetry, Palm Trees, Object the form of the number of palm trees with accurate results and fast time. This
Detection. study, aerial photo data that has high spatial quality were used and pan
sharpening techniques were used to improve visuals from orthophoto data so
that object detection can be easier to do.
Corresponding Author:
Dita Dwi Aryani
Email : Dita.d@mail.ugm.ac.id
Poppy Andriani Wirawan
Email : Poppy.a@mail.ugm.ac.id
Ridha Nur Rahmawati
Email : Ridha.n@mail.ugm.ac.id

mempermudah proses interpretasi objek

Pendahuluan disamping itu diperoleh hasil yang akurat
dengan waktu yang lebih efektif dan efisien.
1.1 Latar Belakang Penghitungan jumlah pohon kelapa sawit perlu
Peningkatan komoditas kelapa sawit dilakukan penelitian mengenai hasil akurasi dari
membutuhkan manajemen produksi yang lebih pengolahan foto udara. Penelitian ini
baik agar dapat mendorong kemajuan dan menggunakan data foto udara dengan, sehingga
perkembangan perusahaan yang bergerak di proses penghitungan kelapa sawit akan lebih
bidang perkebunan kelapa sawit. Salah satu cepat dilakukan dibandingkan dengan
manajemen produksi yang dapat dilakukan penghitungan secara manual ke lapangan.
untuk memperoleh hasil yang lebih baik dengan Metode yang digunakan adalah objek detection
pemetaan area perkebunan kelapa sawit. untuk membantu perhitungan jumlah kelapa
Teknologi yang dapat dimanfaatkan untuk sawit sehingga mendukung manajemen
manajemen dalam pemetaan kelapa sawit produksi yang lebih baik. Keakuratan hasil
adalah pemetaan foto udara. Data foto udara penghitungan kelapa sawit ini dapat
dapat dimanfaatkan untuk mendeteksi objek di ditingkatkan dengan memperbaiki kualitas
bidang pertanian salah satunya kelapa sawit. visual foto. Tampilan dari foto udara dapat
Foto udara mampu menampilkan kenampakan diperbaiki dengan teknik penajaman citra.
objek dengan resolusi yang tinggi, sehingga Teknik ini membantu dalam proses identifikasi

1
dan pengkelasan objek. Hal ini menjadi salah
satu strategi dimana jumlah pokok tanaman
dalam satu blok tanam akan menjadi input bagi
manajer untuk menentukan input budidaya
(pupuk, pestisida) dan juga menjadi input untuk
memperkirakan hasil panen per blok.
1.2 Tinjauan Pustaka
1.2.1 Machine Learning
Machine learning adalah istilah yang
banyak digunakan yang mencakup banyak jenis
program yang akan di jalankan dalam sebuah
analitik data yang besar. Algoritma dar machine
learning adalah "otak" yang benar-benar
memberi daya pada sebagian besar program
prediktif. Para pengguna machine learning
diharapkan mampu membedakan antara
machine learning yang diawasi dan machine
learning yang tidak diawasi serta pemodelan
ensemble, yang menggunakan kombinasi teknik
pendekatan, dan pembelajaran semi-diawasi,
yang menggabungkan pendekatan yang diawasi
dan tanpa pengawasan. Untuk machine learning
yang terawasi, pengguna membuat program
untuk menghasilkan jawaban berdasarkan
kumpulan data yang dikenal dan diberi label.
Algoritma klasifikasi dan regresi, termasuk
hutan yang tidak dapat diidentifikasi (acak),
identifikasi pohon, dan mesin vektor
pendukung, umumnya digunakan untuk
machine learning yang terawasi. Sedangkan
untuk machine learning tanpa pengawasan,
algoritma akan menghasilkan jawaban pada
data yang tidak dikenal dan tidak berlabel.
Pengguna data dapat melakukan pemrograman
algoritma machine learning menggunakan
berbagai teknologi dan bahasa, termasuk Java,
Python, Scala, dan lainnya. (Wehle, 2017)
1.2.2 Deep Learning
Deep learning adalah bentuk dari
machine learning yang dapat memanfaatkan
algoritma supervised (metode terbimbing) dan
metode unsupervised (tidak terbimbing), atau
keduanya. Deep learning menjadi populer
karena dapat digunakan sebagai cara untuk
mempercepat solusi dari beberapa jenis
masalah komputer yang sulit, terutama dalam
bidang computer vision dan bidang pemrosesan
bahasa yang asli. (NLP). Deep learning
didasarkan pada cabang representasi
pembelajaran (atau pembelajaran fitur) dari
2
teori machine learning. Dengan melakukan
ekstraksi abstraksi tingkat tinggi dan kompleks ,
makan dapat dihasilkan representasi data
melalui proses pembelajaran hierarkis, deep
learning menghasilkan hasil yang lebih cepat
daripada pendekatan machine learning. Deep
learning akan mempelajari fitur-fitur yang
penting dengan sendirinya, dengan
mengharuskan pengguna untuk memilih fitur-
fitur yang terkait secara manual terlebih dahulu.
Kata "deep" atau “mendalam” dalam deep
learning berasal dari banyaknya layer yang
dibangun ke dalam model deep learning, yang
biasanya bertipe neural networks. Convolutional
Neural Networks (CNN) dapat terdiri dari
banyak layer model, di mana setiap layer
mengambil input dari layer sebelumnya,
memprosesnya, dan mengeluarkannya ke layer
berikutnya.
Deep learning adalah jenis machine
learning yang bergantung pada beberapa lapis
pemrosesan nonlinear untuk identifikasi fitur
dan pengenalan pola yang dijelaskan dalam
suatu model. Model deep learning dapat
diintegrasikan dengan ArcGIS Pro untuk deteksi
objek dan klasifikasi gambar. (Wehle, 2017)
Deep Learning bekerja berdasarkan pada
arsitektur jaringan dan prosedural optimal yang
digunakan pada arsitektur. Setiap output dari
lapisan per lapisan yang tersembunyi dapat
dipantau dengan menggunakan grafik khusus yang
dirancang untuk setiap output neuron.
1.2.3 Tensor Flow
Tensorflow adalah contoh kerangka kerja
pembelajaran yang digunakan dalam
pemrosesan deep learning.
TensorFlow kerangka machine learning
canggih. TensorFlow adalah kerangka machine
learning yang mungkin bisa menjadi teman
barumu jika kamu memiliki banyak data, atau
ingin mempelajari kecerdasan buatan (artificial
intelligence/AI) secara mendalam. TensorFlow
memungkinkanmu berinteraksi dengannya
layalnyaprogrammer Python.
1.2.4 Training Sample
Sampel pelatihan fitur atau objek (training
samples) sangat penting untuk dihasilkan
dengan klasifikasi dalam deep learning. Training
samples ini digunakan untuk melatih model
menggunakan kerangka kerja pembelajaran
yaitu tenserflow, dan file definisi model
digunakan untuk menjalankan alat geoproses
 inferensi di ArcGIS Pro untuk mengekstraksi
fitur tertentu atau untuk mengklasifikasikan
piksel dalam citra. File definisi model dapat
digunakan beberapa kali sebagai input ke alat
pemrosesan geoproses, dengan tujuan untuk
memberi kemudahan dalam menilai beberapa
gambar dari lokasi dan periode waktu yang
berbeda, setelah model deep learning digunakan.
Keberhasilan deep learning dalam
bentuk jaringan saraf multi-layer - sangat
tergantung pada volume dan variasi traininig
sample. Potensinya sangat dikompromikan
ketika data pelatihan berasal dari cara yang
didistribusikan secara geografis dan tunduk
pada batasan bandwidth.

1.3 Tujuan
Tujuan penelitian ini adalah untuk mendeteksi
objek berupa pohon kelapa sawit yang terdapat
didalam foto udara suatu wilayah.
Manfaat dari penelitian ini adalah:
a. Memberikan informasi mengenai
persebaran pohon kelapa sawit yang
terdapat didalam cakupan wilayah foto
udara yang dimiliki.
b. Sebagai referensi untuk penelitian-
penelitian selanjutnya yang sejenis.

2. Data dan Metodologi

Bagian ini menjelaskan secara rinci tentang
penelitian yang dilakukan, meliputi lokasi
penelitian, data yang digunakan, dan metodologi
yang diterapkan.

2.1 Area Penelitian

Area penelitian yang dilakukan dalam proses
deteksi objek berupa pohon kelapa sawit terdapat
pada wilayah Pangkalan Kerinci, Kabupaten
Pelalawan, Provinsi Riau. Pemilihan area
penelitian ini didasarkan karena area tersebut
merupakan area perkebunan yang didalamnya
banyak terdapat tanaman pohon kelapa sawit
sehinng deteksi objek pohon kelapa sawit lebih
ditemukan.
2.2. Metodologi
Tahap-an penelitian untuk deteksi objek kelapa
sawit di daerah pangkalan kerinci secara umum
dituangkan ke dalam diagram alir, seperti pada
gambar dibawah ini :
Selesai
Diagram alir di atas menggambarkan
tahpan-tahapan yang dilakukan dalam penelitian
yang dilakukan untuk mendeteksi objek kelapa
sawit dari data foto udara. Tahapan awal yang
pertama kali dilakukan adalah mempersiapka data
foto udara yang sudah ter orthorektifikasi atau
citra tegak, dan citra yang digunakan adalah citra
resolusi tinggi agar objek yang akan dideeteksi
dapat diinterpretasi dengan mudah secara visual.
Selain mempersiapkan data foto udara yang akan
digunakan, kerangka kerja yang digunakan untuk

3
mendeteksi objek atau tensorflow yang akan
dipakai dalam proses deep learning juga perlu di
install terlebih dahulu. Tensorflow yang digunakan
dalam proses deteksi objek kelapa sawit ini adalah
tensorflowCoconutTrees.emd. Kemudian, setelah
itu, dilakukan proses pemilihan training samples ,
dari citra tersebut dipilih 80 sampel pohon kelapa
sawit dengan distribusi yang menyebar di seluruh
area yang terdapat didalam foto udara. Setelah
training samples tersebut tersimpan, kemudian
harus dilakukan export training samples agar bisa
dilakukan proses analisis dalam deep learning.
Setelah itu, di input kan kerangka kerja atau
tensorflow yang sudah tersedia, dan menunggu
proses deteksi objek sampai selesai sehingga
didapatkan hasil berupa data foto udara dengan
fitur-fitur objek kelapa sawit yang sudah
terdeteksi.
3. Hasil dan Pembahasan
Untuk melakukan proses deteksi pohon
kelapa sawit harus dibuat training samples
terlebih dahulu. Training samples tersebut
berfungsi sebagai dasar/acuan pengklasifikasian
objek. Dengan adanya training samples dapat
didefinisikan objek mana saja yang merupakan
pohon kelapa sawit. Didalam training class
tersebut dibuat 8 cluster sample yang tersebar
dengan masing-masing cluster berisi 10 pohon.
Kemudian, dari 80 sampel objek pohon kelapa
sawit tersebut akan terdapat 80 layer pohon
kelapa sawit dengan masing-masing nilai digital
number berdasarkan piksel yang sudah
didefinisikan sebagai objek kelapa sawit.
Kemudian dilanjutkan dengan melakukan export
training samples sebagai data Deep Learning,
kemudian melakukan proses deteksi objek dan
didapatkan hasil sebagai berikut :
Gambar 1. Hasil Deteksi Objek Kelapa Sawit
dengan Deep Learning
4
Pada gambar 1 dapat dilihat hasil deteksi
pohon kelapa sawit menggunakan deep learning,
dalam kerangka tensorflow coconut trees.
Ukuran scene citra yang digunakan dalam
deteksi sawit ini adalah 1:500 , dengan alasan
agar proses deteksi tidak memakan waktu yang
terlalu lama. Dari visualisasi scene citra dapat
dilihat bahwa area yang dipilih merupakan area
perkebunan yang terdiri dari kumpulan pohon
kelapa sawit dan area yang bukan pohon kelapa
sawit (jenis vegetasi yang lain). Pendeteksian
objek kelapa sawit ditandai dengan mark
berbentuk kotak diatas objek pohon sawit
tersebut. Dari hasil deteksi dapat dilihat bahwa
tidak semua objek kelapa sawit dapat terdeteksi
dengan baik karena ada beberapa pohon kelapa
sawit yang secara visual dapat dilihat dengan
jelas bahwa objek tersebut adalah pohon kelapa
sawit tetapi tidak terdeteksi sebagai pohon
kelapa sawit. Hal tersebut dapat terjadi dengan
asumsi bahwa objek pohon kelapa sawit yang
tidak terdeteksi tersebut tidak terdefinisi nilai
digital number nya atau tidak terdefinisi nilai
pikselnya kedalam layer-layer yang sudah
didefinisikan dalam training samples.
Selain dari objek pohon kelapa sawit yang
tidak terdeteksi, dari hasil gambar deteksi objek
tersebut dapat dilihat bahwa ada pohon kelapa
sawit yang terdeteksi dengan dua mark
berbentuk kotak atau ada dua kotak yang
bertampalan sebagai tanda deteksi objek diatas
pohon kelapa sawit. Hal tersebut dapat terjadi
karena objek pohon kelapa sawit tersebut bisa
saja terdefinisi nilai digital numbernya kedalam
dua kelas yang berbeda (kelas yang tidak sama),
sehingga ketika dilakukan pendeteksian pada
pohon kelapa sawit tersebut, terjadi
pendefinisian 2 kelas sampel yang
menyebabkan objek pohon kelapa sawit
tersebut terdeteksi dua kali atau terdeteksi
secara bertampalan. Kemudian, dari gambar
hasil deteksi objek kelapa sawit tersebut, dapat
dilihat terdapat satu objek yang bukan pohon
kelapa sawit tetapi terdefinisi sebagai pohon
kelapa sawit, hal tersebut terjadi karena nilai
pikselnya atau nilai digital number dari vegetasi
yang bukan pohon kelapa sawit tersebut
termasuk kedalam saah satu nilai digital number
dari 100 sampel dalam training samples yang
telah dibuat. Sehingga, objek tersebut dideteksi
sebagai pohon kelapa sawit.
 Dari analisis visual yang dilakukan terhadap telah memberi semangat dan saran kepada kami
hasil deteksi objek pohon kelapa sawit, dapat dalam penulisan ini..
disimpulkan bahwa deteksi objek yang dilakukan
kurang akurat. Hal ini disebabkan karena 6. Referensi
pendeteksian yang dilakukan berdasarkan Istamar, A. (n.d.). Delivering the Value of
training samples yang telah dibuat belum mampu Geospatial Analytics into Your Industry 4.0
mendeteksi objek kelapa sawit secara baik dan Initiatives.
sempurna. Adanya objek kelapa sawit yang tidak
terdeteksi disebabkan karena nilai pikselnya Wehle, H. (2017). ML – AI- COGNITIVE. (August).
belum terdefinisi dalam kelas training samples
yang telah didefinisikan sebelumnya. Selain itu , Spadaro, B. A. (2017). AI , Machine Learning &
kelas sampel-sampel yang dipilih tersebut bisa Deep Learning : cosa cambia.
saja berbeda dengan nilai digital number yang
terdapat pada kumpulan objek kelapa sawit dari Udara, M. F. (2019). Jurnal Geodesi Undip
scene citra 1:500 yang dipilih , perbedaan Januari 2019. 8(1), 428–434.
tersebut bisa saja terjadi ketika sampel-sampel
yang dipilih merupakan pohon kelapa sawit yang Asri, J. S., & Firmansyah, G. (2018).
sudah tua (ditanam lebih lama) , sedangkan pada Implementasi Objek Detection Dan
scene citra yang dipilih merupakan objek pohon Tracking Menggunakan Deep Learning
kelapa sawit yang baru saja ditanam (tanaman Untuk Pengolahan Citra Digital. Knsi 2018,
yang lebih muda) , sehingga dengan adanya 717–723.
perbedaan waktu penanaman dari vegetasi
tersebut bisa saja menyebabkan nilai digital T. Malisiewicz, A. Gupta, and A.A. Efros.
number yang berbeda pada masing-masing Ensemble of exemplar-svms for object
vegetasi tersebut. detection and beyond. In International
Conference on Computer Vision, pages
4. Kesimpulan 89–96. IEEE, 2011.
Dari hasil penelitian yang telah dilakukan,
dapat disimpulkan bahwa dalam proses
deteksi objek pohon kelapa sawit yang
dilakukan menggunakan proses deep learning
dapat disimpulkan bahwa hasil deteksi yang
diperoleh tidak akurat, dikarenakan
banyaknya objek pohon kelapa sawit yang
tidak terdeteksi sebagai objek pohon kelapa
sawit. Kesalahan dalam deteksi yang
dilakukan dapat terjadi karena training
samples yang dipilih fitur-fitur sampelnya
belum representatif sehingga tidak mewakili
objek-objek pohon kelapa sawit yang tidak
terdefinisikan didalam training samples.

5. Ucapan Terima Kasih

Kami mengucapkan terima kasih kepada
semua pihak yang telah berkontribusi dalam
pembuatan tulisan ini. Terutama kepada asisten
dalam mata kuliah Pengolahan Citra Digital yang
telah banyak membimbing dan memberikan
ilmunya kepada kami, Open Aerial Map sebagai
penyedia data citra satelit Landsat-8 , serta kepada
teman-teman Teknik Geodesi angkatan 2016 yang