Implementasi Deep Learning Yolov11 Untuk Identifikasi Circle Weeded Pada Perkebunan Kelapa Sawit Fase Tanaman Belum Menghasilkan Berbasis Citra UAV RGB (Studi Kasus: Perkebunan PT Mustika Sembuluh)

Nurnita Permatasari, Dr. Taufik Hery Purwanto, S.Si., M.Si.

2026 | Tugas Akhir | D4 SISTEM INFORMASI GEOGRAFIS

Kelapa sawit merupakan komoditas strategis Indonesia dengan kontribusi sekitar 58% terhadap produksi global. Produktivitas perkebunan kelapa sawit sangat dipengaruhi oleh kualitas pemeliharaan pada fase tanaman belum menghasilkan (TBM), salah satunya melalui pengendalian gulma menggunakan praktik circle weeded. Pemantauan kondisi circle weeded secara manual masih memiliki keterbatasan dalam hal efisiensi waktu, biaya, dan objektivitas. Oleh karena itu, diperlukan metode pemantauan yang lebih akurat dan berbasis teknologi. Penelitian ini bertujuan mengembangkan model deep learning YOLOv11 untuk mengidentifikasi tingkat kebersihan circle weeded pada perkebunan kelapa sawit fase TBM berbasis citra UAV RGB.

Penelitian dilakukan di PT Mustika Sembuluh, Kalimantan Tengah, menggunakan citra UAV beresolusi spasial 3 cm/piksel pada tanaman kelapa sawit usia 6 dan 18 bulan. Dataset diklasifikasikan ke dalam empat kelas kondisi, yaitu bersih, sedang, kotor, dan sangat kotor. Pengembangan model dilakukan menggunakan algoritma YOLOv11 untuk mendeteksi dan mengklasifikasikan kondisi circle weeded. Evaluasi kinerja model dilakukan menggunakan metrik precision, recall, F1-score, Intersection over Union (IoU), dan mean Average Precision (mAP), serta didukung oleh validasi visual dan validasi lapangan.

Hasil penelitian menunjukkan bahwa model YOLOv11 memiliki kinerja yang sangat baik dengan nilai mAP@0.5 sebesar 0,992 dan F1-score tertinggi sebesar 0,96. Akurasi keseluruhan mencapai 98,64% pada tanaman usia 6 bulan dan 97,62% pada usia 18 bulan, dengan tingkat kesesuaian validasi lapangan sebesar 83,33%. Hasil klasifikasi kemudian divisualisasikan dalam bentuk dashboard ArcGIS untuk mendukung pemantauan spasial dan pengambilan keputusan. Integrasi citra UAV dan model YOLOv11 terbukti efektif sebagai solusi pemantauan circle weeded yang objektif, efisien, dan akurat pada perkebunan kelapa sawit fase TBM.

Oil palm is a strategic commodity for Indonesia, contributing approximately 58% of global production. The productivity of oil palm plantations is strongly influenced by the quality of maintenance during the immature plant phase (Tanaman Belum Menghasilkan / TBM), one of which involves weed control through the circle weeded practice. Manual monitoring of circle weeded conditions still has limitations in terms of time efficiency, cost, and objectivity. Therefore, a more accurate and technology-based monitoring method is required. This study aims to develop a YOLOv11 deep learning model to identify the cleanliness level of circle weeded areas in immature oil palm plantations using UAV RGB imagery.

The study was conducted at PT Mustika Sembuluh, Central Kalimantan, using UAV imagery with a spatial resolution of 3 cm/pixel captured over oil palm plants aged 6 and 18 months. The dataset was classified into four condition classes: clean, moderate, dirty, and very dirty. Model development was carried out using the YOLOv11 algorithm to detect and classify circle weeded conditions. The model performance was evaluated using precision, recall, F1-score, Intersection over Union (IoU), and mean Average Precision (mAP) metrics, supported by visual validation and field validation.

The results show that the YOLOv11 model achieved excellent performance with an mAP@0.5 value of 0.992 and the highest F1-score of 0.96. The overall accuracy reached 98.64% for 6-month-old plants and 97.62% for 18-month-old plants, with a field validation agreement rate of 83.33%. The classification results were visualized in an ArcGIS dashboard to support spatial monitoring and decision-making. The integration of UAV imagery and the YOLOv11 model proved to be an effective solution for objective, efficient, and accurate monitoring of circle weeded conditions in immature oil palm plantations.

Kata Kunci : Circle Weeded, Deep Learning, Yolov11, UAV, Kelapa Sawit, Tanaman Belum Menghasilkan