Estimasi Luas Area Tanaman Teh Berbasis Pendekatan Segmentasi Gambar Menggunakan Metode DeeplabV3+

Abstrak

Abstrak Saat ini Indonesia merupakan salah satu negara penghasil teh terbesar di seluruh dunia dan memiliki lahan pertanian teh sekitar 103 ribu hektar. Saat ini, Luas lahan yang dimiliki oleh para petani teh kecil lebih besar dari milik big estate, tetapi produktivitas teh yang dihasilkan lebih besar big estate daripada yang dihasilkan petani teh kecil. Hal tersebut dikarenakan para petani teh masih menghitung populasi tanaman teh secara manual sehingga membutuhkan banyak waktu dan kemungkinan terjadinya kesalahan perhitungan sehingga menyebabkan populasi teh yang tertanam di kebun teh milik petani sangat sedikit dan para petani kurang mengetahui langkah yang baik untuk memelihara kebun teh mereka sehingga mempengaruhi tingkat produktivitas teh yang dihasilkan. Dalam Tugas Akhir ini, pada parameter mIoU, didapatkan mIoU terbesar adalah 79.98% pada 300.000 step training, pada paramater akurasi didapatkan akurasi sebesar 80%, pada parameter presisi didapatkan nilai presisi terbaik 0.61% pada data uji kedua dan terbesar 6.33% pada data uji ketiga, dan pada parameter waktu, didapatkan waktu rata-rata 15.85 detik pada gambar dengan dimensi 512 G 320 dan 20.71 detik pada gambar dengan dimensi 3840 G 2160 Kata kunci: Image Processing, Semantic Segmentation, Deep Learning, DeepLabV3+, Spatial Pyramid Poo- ling, Encoder-Decoder Networks. Abstract At this time, Indonesia is one of the biggest tea producers in the world and has around 103 thousand hectares of tea plantation. Currently, the area of tea plantation owned by smallholders is greater than big estates, but the productivity owned by big estates is greater than smallholders. That is because the smallholders still calculate the tea population manually, so it requires a lot of time and the possibility of miscalculation that causes the tea at smallholderstea plantation is very small and the farmers do not know the best steps to maintain their tea plantations so that it affects the level of productivity of the tea produced. . In this final project, in the mIoU parameter, the highest mIoU is 79.98% at 300.000 step training, In the accuracy parameter, an accuracy of 80%, in the precision parameter the best precision value is obtained 0.61% in the second test data and the highest is 6.33% in the third test data, in time parameter an average time of images with 512 G 320 is 15.85 seconds and 20.71 seconds in the image with 3840 G 2160. Keywords: Image Processing, Semantic Segmentation, Deep Learning, DeepLabV3+, Spatial Pyramid Pooling, Encoder-Decoder Networks.