Electronic Theses and Dissertation

Mangrove berperan penting dalam menyerap karbon dan menjaga keseimbangan ekosistem pesisir. Penelitian ini mengimplementasikan model YOLOv11 untuk mendeteksi dan mengklasifikasikan tiga jenis vegetasi mangrove Rhizophora, Avicennia, dan Nypa dari citra drone, serta mengestimasi daya serap karbon menggunakan pendekatan allometrik. Model terbaik, yaitu YOLOv11l dengan 50 epoch, menghasilkan mAP@0.5 sebesar 0.249 dan estimasi total karbon sebesar 74.19 kg (setara 274.88 kg CO₂). Rhizophora memiliki selisih estimasi terkecil (5–12%), diikuti Avicennia (9–33%), dan Nypa menunjukkan selisih terbesar (36–60%) jika dibandingkan dengan hasil referensi manual. Meskipun pendekatan ini menunjukkan efisiensi dalam klasifikasi dan estimasi spasial vegetasi mangrove, akurasi model masih terbatas, terutama pada objek tumpang tindih, kanopi kecil, atau yang berada di tepi citra. Dengan peningkatan kualitas dataset dan optimasi parameter pelatihan model YOLOv11, pendekatan ini berpotensi digunakan untuk pemantauan mangrove dan estimasi karbon secara spasial dan berkelanjutan.
Kata kunci: YOLOv11, Mangrove, Klasifikasi, Estimasi karbon, Deep Learning

Mangroves play a crucial role in carbon absorption and maintaining coastal ecosystem balance. This research implements the YOLOv11 model to detect and classify three types of mangrove vegetation: Rhizophora, Avicennia, and Nypa from drone imagery, and estimates carbon absorption using an allometric approach. The best model, YOLOv11l with 50 epochs, achieved a mAP@0.5 of 0.249 and estimated total carbon of 74.19 kg (equivalent to 274.88 kg CO₂). Rhizophora showed the smallest estimation difference (5–12%), followed by Avicennia (9–33%), while Nypa demonstrated the largest difference (36–60%) compared to manual reference results. Although this approach demonstrates efficiency in classification and spatial estimation of mangrove vegetation, model accuracy remains limited, particularly for overlapping objects, small canopies, or those located at image edges. With improved dataset quality and optimization of YOLOv11 model training parameters, this approach has the potential to be used for spatial and sustainable mangrove monitoring and carbon estimation. Keywords: YOLOv11, Mangrove, Classification, Carbon estimation, Deep Learning