Nama : Desta Sandya Prasvita Pogram Studi : Doktor Ilmu Komputer Judul : Model Deteksi Tingkat Infeksi Ganoderma boninense pada Kelapa Sawit Melalui Fusi Data Lidar-Multispektral dan Semi-Supervised Object Detection Pembimbing : Dr. Eng. Laksmita Rahadianti, S.Kom., M.Sc. Indonesia merupakan salah satu produsen minyak sawit terbesar di dunia. Namun, peningkatan luas area perkebunan setiap tahunnya tidak selalu diikuti oleh peningkatan produktivitas yang sebanding. Dalam empat tahun terakhir, produktivitas kelapa sawit bahkan menunjukkan tren penurunan. Salah satu penyebab utama adalah penyakit Busuk Pangkal Batang (Basal Stem Rot/BSR) yang disebabkan oleh jamur Ganoderma boninense. Penyakit ini sulit dideteksi pada tahap awal karena gejalanya bersifat lokal dan tersembunyi. Penelitian ini bertujuan mengembangkan model deteksi tingkat keparahan infeksi Ganoderma boninense berbasis deep learning dengan memanfaatkan fusi data citra multispektral dan LiDAR. Penelitian ini mengatasi tiga tantangan utama, yaitu ketidaktersediaan dataset object detection berbasis deep learning, kompleksitas pembuatan data berlabel melalui anotasi bounding box, serta kebutuhan untuk mengintegrasikan informasi antarmodalitas dari data multispektral dan LiDAR. Untuk mencapai tujuan tersebut, penelitian ini menggunakan kerangka deteksi objek YOLOv5 melalui akuisisi data UAV dan pembuatan ground truth berbasis sensus lapangan di Kebun Betung, PTPN I Regional 7 (NIR7), penerapan pendekatan Semi-Supervised Object Detection (SSOD) melalui pseudo-labeling, serta pengembangan modul fusi GLAM-F (Global–Local Attention Module for Fusion) yang diperkuat dengan mekanisme cross-attention. Dibandingkan model tanpa SSOD, penerapan SSOD pada skema fusi multispektral–LiDAR meningkatkan F1-score sebesar 2,78 poin, dari 70,35% menjadi 73,13%, serta 𝑚𝐴𝑃@0.5 sebesar 2,76 poin, dari 68,56% menjadi 71,32%. Model SSOD terbaik kemudian digunakan untuk memberikan pseudo-label pada 26.995 objek pohon yang sebelumnya belum memiliki label kelas, dengan kualitas pseudo-label pada Pseudo-label Evaluation Set mencapai 𝑚𝐴𝑃@0.5 sebesar 64,90% dan F1-score sebesar 67,83%. Dataset hasil tahapan SSOD selanjutnya digunakan untuk mengembangkan metode fusi usulan, yaitu GLAM-F+GCCA+GSCA, yang memperluas GLAM-F dengan mekanisme cross-attention pada dimensi kanal global dan spasial global. Model ini menghasilkan performa tertinggi dengan 𝑚𝐴𝑃@0.5 sebesar 63,56% dan 𝑚𝐴𝑃@[0.5:0.95] sebesar 46,66%, atau meningkat masing-masing sebesar 2,91% dan 2,64% dibandingkan NiN, serta 1,89% dan 1,79% dibandingkan CMAFF. Evaluasi per kelas menunjukkan bahwa, dibandingkan CMAFF, model GLAM-F+GCCA+GSCA meningkatkan F1-score pada kelas Sehat sebesar 0,80 poin persentase, dari 93,25% menjadi 94,05%, kelas Ringan sebesar 2,08 poin persentase, dari 46,39% menjadi 48,47%, serta kelas Berat sebesar 1,67 poin persentase, dari 74,77% menjadi 76,44%. Sementara itu, F1-score pada kelas Sedang relatif stabil, yaitu dari 48,29% menjadi 48,26%.