Model Prediksi Body Condition Score (BCS) Gajah Sumatera Berdasarkan Citra Fotogrametri Dron

Abstract

Gajah sumatera merupakan salah satu satwa dengan nilai ekologis tinggi yang dikategorikan sebagai spesies payung (umbrella species). Populasi gajah sumatera saat ini terus menurun secara signifikan, dari sekitar 2.800 sampai 4.800 ekor pada tahun 1985 menjadi sekitar 1.100 ekor pada tahun 2025, akibat rendahnya keberhasilan reproduksi yang diduga kuat terjadi karena fragmentasi habitat, konflik manusia–gajah, serta gangguan kesehatan dan kesejahteraan individu. Taman Nasional Way Kambas (TNWK) adalah kawasan konservasi gajah sumatera, berfungsi sebagai pusat perlindungan, rehabilitasi, dan penelitian. Salah satu indikator kesejahteraan gajah adalah body condition score (BCS), yang mencerminkan kondisi fisik dan status gizinya. Penelitian ini bertujuan mengembangkan model deep learning yang dapat memprediksi nilai BCS gajah sumatera secara otomatis dari citra fotogrametri dron. Pendekatan yang digunakan menggabungkan dua model, yaitu U-Net untuk segmentasi tubuh gajah dari latar belakang dan EfficientNetV2-M untuk memprediksi nilai BCS dari citra hasil segmentasi tersebut. Citra hasil segmentasi digunakan sebagai masukan pada tahap prediksi agar model lebih terfokus pada fitur tubuh gajah, sehingga nilai prediksi meningkat. Dataset penelitian terdiri atas 2.995 citra RGB gajah sumatera dari 32 individu di TNWK, yang dibagi secara proporsional menjadi data latih (70%), validasi (15%), dan uji (15%). Model U-Net mencapai performa terbaik pada konfigurasi learning rate 0,0001 dan dropout 0,3, dengan Intersection over Union (IoU) sebesar 0,9742 pada data uji, yang menunjukkan kemampuan model untuk memisahkan area tubuh gajah dari latar belakang secara akurat. Pada tahap prediksi BCS, model EfficientNetV2-M dengan input citra hasil segmentasi U-Net mencapai performa terbaik pada konfigurasi learning rate 0,001 dan dropout 0,2, dengan Coefficient of Determination (R²) = 0,9504 dan Mean Absolute Error (MAE) = 0,1095 pada data uji. Performa ini lebih baik dibandingkan dengan model menggunakan citra asli tanpa segmentasi (R² = 0,9283; MAE = 0,1260), dengan penurunan MAE sebesar 13,1%, yang menunjukkan bahwa segmentasi U-Net berkontribusi nyata terhadap peningkatan akurasi prediksi. Kombinasi U-Net dan EfficientNetV2-M menghasilkan estimasi BCS yang akurat dan konsisten. Pendekatan berbasis citra dron ini mengurangi risiko bagi peneliti, dan meminimalkan gangguan terhadap satwa. Temuan ini menunjukkan bahwa teknologi deep learning berbasis citra dron berpotensi menjadi solusi alternatif yang konsisten dan efisien untuk mendukung pemantauan kesehatan dan program konservasi gajah sumatera.