Perpustakaan Digital ITB

Penelitian ini bertujuan untuk membandingkan performa model deep learning YOLO11-seg (n, s, m, l, dan x) dan Mask R-CNN dalam melakukan segmentasi tajuk pohon secara otomatis dari citra RGB hasil akuisisi UAV, serta mengestimasi karbon pohon secara spasial menggunakan diameter tajuk hasil segmentasi. Evaluasi dilakukan berdasarkan metrik performa seperti precision, recall, F1-score, dan Average Precision (AP). Hasil menunjukkan bahwa YOLO11x-seg merupakan varian paling optimal, dengan precision sebesar 0,710, recall sebesar 0,792, F1- score sebesar 0,749, nilai AP50 mencapai 0,753 dan mendapatkan nilai AP 50-95 tertinggi dibanding semua model yaitu 0,375. Model YOLO11x-seg dipilih karena memberikan segmentasi yang lebih presisi dan bentuk tajuk yang lebih stabil, yang sangat penting untuk estimasi karbon berbasis diameter. Estimasi spasial karbon dilakukan dengan pendekatan alometrik berdasarkan hasil segmentasi dari model deep learning. Pada area studi seluas 7,95 hektar di Kampus ITB Jatinangor, estimasi karbon mencapai 535,85 ton, dengan selisih sekitar ±0,55% dari hasil anotasi manual (ground truth) sebesar 532,92 ton. Rata-rata karbon mencapai 67,4 ton C/ha atau ±247 ton CO2eq/ha, yang dikategorikan sebagai kapasitas simpan karbon sedang untuk kawasan urban tropis. Seluruh alur kerja diotomatisasi dalam bentuk plugin QGIS, yang mengintegrasikan proses segmentasi, pengukuran diameter tajuk, estimasi karbon, hingga visualisasi tematik. Hasil ini menunjukkan potensi nyata pemanfaatan UAV, deep learning dan GIS dalam pemantauan vegetasi dan perencanaan ruang hijau di kawasan urban tropis.