// <![CDATA[CONVOLUTIONAL BLOCK ATTENTION MODULE UNTUK PENCACAHAN POHON KELAPA SAWIT MENGGUNAKAN YOLO11]]> Irma Amelia Dewi, S.Kom., M.T., Penguji 2 120040903 - Dewi Rosmala, S.Si., M.IT. Dosen Pembimbing 1 120060504 / Jasman Pardede, S.Si., M.T., Dr Penguji 1 Yanuarsyah Pratama / 152020063 Penulis
Pemantauan lahan perkebunan kelapa sawit secara akurat dan berkala sangat penting untuk mengoptimalkan produktivitas dan manajemen agronomi. Namun, pencacahan pohon sawit sering mengalami kendala akibat oklusi kanopi, yang menyebabkan kesalahan perhitungan. Penelitian ini mengusulkan model YOLO11n-seg-CBAM untuk meningkatkan akurasi pencacahan pohon sawit melalui penerapan Convolutional Block Attention Module (CBAM). Model ini diuji menggunakan foto udara ortografik dari drone, dan hasil evaluasi menunjukkan bahwa YOLO11n-seg-CBAM mencapai precision sebesar 94.8%, recall 94.8%, dan PR-Curve yang stabil (98.5%). Selain itu, IoU sebesar 82% menunjukkan deteksi bounding box yang akurat. Meskipun ukuran model meningkat menjadi 6.4 MB dengan 2.94 juta parameter akibat penambahan CBAM dibandingkan dengan tanpa CBAM. Hasil penelitian ini menunjukkan bahwa penggunaan CBAM dalam YOLO11 mampu meningkatkan deteksi pohon sawit secara akurat dalam kondisi oklusi. Kata kunci: Pencacahan Pohon Sawit, YOLO11, CBAM, Oklusi, UAV