PERBANDINGAN MODEL CONVOLUTIONAL AUTOENCODER DAN VARIATIONAL AUTOENCODER UNTUK DETEKSI DINI POHON KELAPA SAWIT YANG TERINFEKSI GANODERMA MENGGUNAKAN CITRA PENGINDERAAN JAUH

GLORYANT, NATANAEL MISSIONDAY (2025) PERBANDINGAN MODEL CONVOLUTIONAL AUTOENCODER DAN VARIATIONAL AUTOENCODER UNTUK DETEKSI DINI POHON KELAPA SAWIT YANG TERINFEKSI GANODERMA MENGGUNAKAN CITRA PENGINDERAAN JAUH. Tugas Akhir/Skripsi thesis, Universitas Ma Chung.

Text 312110010_Natanael Missionday Gloryant_LapTA_Final.pdf Download (4MB)

Abstract

Penyakit busuk pangkal batang akibat jamur Ganoderma Boninense
merupakan ancaman signifikan bagi industri kelapa sawit di Indonesia,
menyebabkan kerugian ekonomi substansial karena sulitnya untuk dideteksi. Gejala
visualnya seringkali tidak terlihat hingga infeksi mencapai tahap lanjut, membuat
metode inspeksi konvensional tidak efektif. Penelitian ini bertujuan mengatasi
keterbatasan tersebut dengan memanfaatkan citra udara dari UAV yang
dikombinasikan dengan metode deep learning untuk mendeteksi anomali.
Pada penelitian ini, digunakan model Autoencoder, ideal untuk deteksi
anomali di mana data pohon sakit berlabel terbatas. Model dilatih pada citra pohon
sehat dan mengidentifikasi anomali dari hasil reconstruction error yang tinggi.
Secara spesifik, penelitian ini membandingkan arsitektur Convolutional
Autoencoder (CAE) dan Convolutional Variational Autoencoder (CVAE),
menganalisis performa keduanya terhadap dataset pohon sakit yang terakumulasi
selama lima bulan.
Hasil penelitian menunjukkan bahwa CVAE terbukti lebih unggul dan
konsisten dalam mendeteksi anomali. Analisis kuantitatif berdasarkan metrik
Bhattacharyya Distance (BD) dan Jensen-Shannon Divergence (JSD)
menunjukkan bahwa CVAE mampu menjaga nilai BD yang stabil (sekitar 0.4
hingga 0.6) dan nilai JSD yang rendah (di bawah 0.2) sepanjang periode lima bulan.
Stabilitas ini memungkinkan CVAE mendeteksi anomali hingga lima bulan
sebelum pohon tumbang. Di sisi lain, CAE menunjukkan performa yang tidak
konsisten dengan fluktuasi nilai BD yang signifikan (misalnya, melonjak dari 0.419
pada bulan ketiga ke 0.740 pada bulan kelima), dan nilai JSD yang lebih tinggi.
Performa CAE hanya efektif hingga dua bulan sebelum pohon tumbang. Dengan
demikian, penelitian ini menyimpulkan bahwa CVAE adalah solusi optimal untuk
deteksi dini Ganoderma karena konsistensinya yang terbukti lebih unggul.

Kata kunci: Convolutional Autoencoder, Convolutional Variational Autoencoder,
Deteksi Dini, Ganoderma Boninense, Penginderaan Jauh

Item Type:	Thesis (Tugas Akhir/Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknologi dan Desain > S1 Teknik Informatika
Depositing User:	umclibs1
Date Deposited:	23 Jan 2026 02:14
Last Modified:	23 Jan 2026 02:14
URI:	http://repository.machung.ac.id/id/eprint/1093

Actions (login required)

View Item