Estimasi Stok Krbon Mahoni Berbasis Machine Learning Menggunakan Segmentasi Tajuk Terbaik Citra UAV Di Wanagama I Gunung Kidul: Perbandingan Mask R-CNN dan GeoSAM

Muhammad Najwan Akbar, Bekti Larasati, S.Hut., M.Sc., M.Agr.Sc.; Ir. Budi Mulyana, S.Hut., M.Si., Ph.D., IPM

2026 | Skripsi | KEHUTANAN

Intarisasi karbon hutan konvensional memiliki keterbatasan cakupan spasial, sehingga pendekatan berbasis citra Unmanned Aerial Vehicle (UAV) dan Individual Tree Crown (ITC) menjadi alternatif untuk estimasi karbon mahoni (Swietenia macrophylla) di Petak 16 KHDTK Wanagama I, Gunungkidul. Petak 16 memiliki luas 71,4 ha, dengan area analisis sekitar 5,8 ha. Penelitian ini bertujuan (1) membandingkan kinerja Mask R-CNN dan GeoSAM dalam segmentasi tajuk mahoni serta (2) mengestimasi stok karbon individu menggunakan machine learning berdasarkan fitur biogeometrik hasil segmentasi terbaik.

Kedua metode segmentasi dievaluasi terhadap 351 pohon ground truth pada ambang Intersection over Union (IoU) 0,5, meliputi deteksi, kesesuaian geometris, ketepatan batas, dan topologi. Tujuh algoritma ensemble machine learning (Random Forest, Extra Trees, Gradient Boosting, AdaBoost, XGBoost, LightGBM, dan CatBoost) dibandingkan melalui repeated k-fold cross-validation menggunakan 126 pohon sampel karbon, lima skema fitur dari 38 prediktor UAV, serta persamaan alometrik Chave et al. (2014) dan Wirabuana et al. (2021). Model terpilih diterapkan pada 364 individu hasil segmentasi.

Hasil menunjukkan bahwa Mask R-CNN lebih unggul dibandingkan GeoSAM (F1 sebesar 0,9175 berbanding 0,5427; rata-rata IoU sebesar 0,8298 berbanding 0,7549; Pada persamaan Chave, S1–AdaBoost menghasilkan R² validasi silang tertinggi sebesar 0,3275 dan R² data uji 0,4562. Pada persamaan Wirabuana, S5–CatBoost memperoleh R² validasi silang tertinggi sebesar 0,2389, sedangkan S1–Random Forest menghasilkan R² data uji tertinggi sebesar 0,4080. Estimasi stok karbon pada 364 individu mencapai 493,30 ton C untuk Chave–AdaBoost dan 523,26 ton C untuk Wirabuana–Random Forest. Nilai tersebut merupakan agregasi prediksi individu, bukan estimasi per hektare. Mask R-CNN lebih efektif untuk segmentasi tajuk mahoni, sedangkan pemodelan karbon berbasis UAV masih memiliki kemampuan prediksi terbatas.

Conventional forest carbon inventories have limited spatial coverage, making Unmanned Aerial Vehicle (UAV) imagery and Individual Tree Crown (ITC) delineation promising alternatives for estimating mahogany (Swietenia macrophylla) carbon stocks in Petak 16, KHDTK Wanagama I, Gunungkidul, Indonesia. Petak 16 covers 71.4 ha, with an analysis area of approximately 5.8 ha. This study aims to (1) compare Mask R-CNN and GeoSAM for mahogany crown segmentation and (2) estimate individual-tree carbon stocks using machine learning models based on biogeometric features from the best-performing segmentation.

Both segmentation methods were evaluated against 351 ground truth trees at an Intersection over Union (IoU) threshold of 0.5, covering detection, geometric overlap, boundary accuracy, and topology. Seven ensemble machine learning algorithms (Random Forest, Extra Trees, Gradient Boosting, AdaBoost, XGBoost, LightGBM, and CatBoost) were compared through repeated k-fold cross-validation using 126 sampled trees, five feature configurations derived from 38 UAV predictors, and the allometric equations of Chave et al. (2014) and Wirabuana et al. (2021). The selected models were applied to 364 segmented trees.

Mask R-CNN outperformed GeoSAM (F1-score of 0.9175 versus 0.5427; mean IoU of 0.8298 versus 0.7549; p<0>

Kata Kunci : Mask R-CNN, GeoSAM, Machine Learning, Instance Segmentation, AdaBoost