Machine Learning · Konservasi · Indonesia

Kecerdasan buatan untuk membaca lanskap liar Indonesia dari udara.

Dari udara, dianalisis mesin, diputuskan manusia

Mata Elang — platform deteksi berbasis citra drone untuk fauna, vegetasi, dan indikasi illegal logging — dibangun dengan prinsip sains di atas kecepatan, dan manusia sebagai verifikator akhir, bukan sekadar pengawas otomatisasi.

Prinsip Kerja

Empat komitmen yang tidak dikompromikan

Bukan slogan — ini yang membedakan tiap keputusan teknis di platform ini dari pendekatan "AI cepat jadi" pada umumnya.

01

Sains di atas bisnis

Semua model dan dataset yang relevan disediakan sebagai pilihan eksplisit — bukan satu default tunggal yang dipilih sistem demi kesederhanaan.

02

Confidence, bukan biner

Setiap hasil deteksi dibingkai sebagai tingkat kepercayaan, bukan jawaban benar/salah mutlak — konsisten dengan keterbatasan data yang jujur diakui.

03

Manusia tetap verifikator

Model mempercepat pelabelan, tapi keputusan akhir selalu kembali ke manusia — alur kerja permanen, bukan cuma tahap awal yang dilepas begitu model "cukup pintar".

04

Data menentukan, bukan model

Kualitas dan kuantitas data pelatihan adalah faktor penentu utama performa — dibuktikan lewat lompatan hasil nyata tiap dataset diperbesar.

Proyek Pilot

Taman Nasional Baluran

Studi kasus pertama platform ini — savana di ujung timur Jawa Timur. Citra drone yang dipakai berasal dari kerja sama terdahulu dengan Balai Taman Nasional Baluran untuk pemantauan banteng.

Studi kasus pertama Mata Elang

Fauna, Tajuk Pohon & Perubahan Tutupan

Taman Nasional Baluran, Situbondo, Jawa Timur
0,754
F1 detektor fauna · ambang 0,50
137
Satwa uji di luar lipatan
297
Kandidat deteksi
01

Fauna per-spesies

Deteksi generik + klasifikasi spesies terpisah — dimulai dari banteng, rusa timor, dan kerbau liar, dengan skema taksonomi yang tetap terbuka.

02

Vegetasi & tajuk

Segmentasi kanopi pohon berbasis pola tajuk dari citra RGB+NIR, fondasi untuk pemantauan tutupan lahan savana.

03

Perubahan tutupan pohon

Turunan multi-temporal dari jalur vegetasi — membandingkan tutupan kanopi antar-waktu untuk melihat adanya kehilangan pohon. Sistem hanya menunjukkan bahwa tutupan berubah; apakah perubahan itu melanggar hukum adalah penilaian pihak berwenang, bukan keluaran model.

Angka di atas berasal dari himpunan uji kecil — 44 kotak kebenaran pada satu citra — sehingga menunjukkan pipeline berfungsi, bukan mutu pengukuran di lapangan. 297 kandidat deteksi belum diverifikasi manusia. Seluruh identitas spesies berstatus indikasi; belum ada konfirmasi ahli atau petugas lapangan.

Platform ini dikembangkan mandiri. Hasil pada halaman ini adalah keluaran riset penulis, bukan data resmi Balai Taman Nasional Baluran, dan tidak mewakili posisi lembaga mana pun.

Buka Mata Elang →
Alur Kerja

Empat langkah, satu aturan yang tidak dilanggar

Apa pun jenis datanya — raster drone, foto lapangan, atau citra satelit — semuanya melewati alur yang sama. Tidak ada jalur yang melompati verifikasi manusia.

01

Data masuk

Setiap berkas dihitung sidik jari kriptografisnya sekali saat masuk dan tidak pernah diubah, sehingga keasliannya dapat dibuktikan kemudian.

02

Diolah model

Citra dipotong menurut jarak tanah, bukan jumlah piksel, supaya objek tampil pada skala yang dikenal model berapa pun resolusi berkasnya.

03

Dugaan ber-confidence

Setiap temuan keluar sebagai dugaan bernilai kepercayaan dan berkoordinat — bukan sebagai pernyataan pasti.

04

Diverifikasi manusia

Petugas memeriksa dan mengoreksi. Dugaan berkepercayaan rendah diprioritaskan lebih dulu agar perhatian manusia terpakai pada kasus yang benar-benar meragukan.

Model & Metode

Model yang akan dan telah dipakai

Daftar ini memuat seluruh model dalam rencana platform ini — yang sudah berjalan, yang berperan sebagai pendukung, sampai yang belum pernah dilatih dan pilar yang sama sekali belum punya model. Yang ditampilkan hanya peran tiap model dan sejauh mana ia sudah berjalan.

D-FINE-N
Deteksi fauna dari udara
Menemukan letak satwa besar pada raster drone. Detektor ringan berlisensi Apache-2.0, dilatih pada citra Baluran yang dilabeli manusia (tanpa pelabelan-semu) dan dijalankan lewat ONNX Runtime. Setiap deteksi tetap diperiksa manusia.
Dipakai
Detectree2
Segmentasi tajuk pohon
Menggambar batas tajuk tiap pohon, bukan sekadar kotak. Berbasis Mask R-CNN. Citra dipotong menurut jarak tanah supaya pohon tampil pada skala yang dikenal model, berapa pun resolusi berkasnya.
Dipakai
Grounding DINO
Deteksi tanpa pelatihan
Mencari objek dari deskripsi teks tanpa perlu dilatih. Dipakai sebagai pembanding dasar dan pembantu pelabelan awal, bukan sebagai mesin deteksi utama — daya tangkapnya terlalu rendah untuk itu.
Pendukung
BioCLIP 2
Klasifikasi spesies fauna
Menebak spesies dari potongan citra satwa yang sudah terdeteksi. Dipakai dengan contoh acuan, bukan hanya deskripsi teks. Basis datanya masih sangat kecil, sehingga angkanya belum boleh dianggap mewakili keadaan umum.
Terbatas
GrabCut
Peningkatan anotasi
Bukan pembelajaran mesin, melainkan metode penglihatan komputer klasik. Menaikkan anotasi kotak lama menjadi siluet tajuk supaya bahan latih segmentasi lebih baik. Yang gagal ditandai eksplisit, tidak disembunyikan.
Pendukung
Sentinel-2 · NDVI
Pemantauan tutupan lahan
Indeks kehijauan dari citra satelit untuk memantau perubahan tutupan antarwaktu. Bukan model pembelajaran mesin. Uji nyata di savana Baluran menunjukkan penurunan besar yang murni musim kemarau — tanpa aturan penyaring musim, sistem akan salah menuduh pembalakan.
Pendukung
Random Forest
Klasifikasi spesies tajuk
Membedakan jenis pohon dari bentuk tajuk, tinggi, dan warna. Alurnya sudah ada dan 13 ciri sudah terekstrak dari 75 tajuk nyata, tetapi belum pernah dilatih pada data sungguhan: label jenis pohon dari survei lapangan belum ada, dan program sengaja menolak berjalan sampai tersedia paling sedikit 30 label. Yang diperagakan di aplikasi memakai tajuk buatan; angkanya menunjukkan alurnya bekerja, bukan seberapa baik model mengenali pohon.
Peragaan
Thermal
Deteksi satwa dari panas tubuh
Pilar ini belum punya model terlatih. Yang ada pembanding dasar tanpa latih yang menyorot daerah lebih terang dari sekelilingnya. Ia sudah dijalankan atas 139 frame dari satu-satunya sesi penerbangan thermal (2023, perangkat rusak sesudahnya), dan hasilnya jelas: pemandangannya tidak memuat satwa, dan pendekatan sesederhana itu menghasilkan ribuan kandidat palsu. Kajian tersendiri menyimpulkan thermal dari udara sangat terbatas di bawah tajuk yang rapat.
Belum terlatih
MegaDetector
Deteksi satwa kamera jebak
Sudah dikaji sebagai calon pelengkap untuk satwa di bawah tajuk yang tidak terlihat dari udara. Belum dipasang — pengadaan kamera jebak masih rencana, dan tanpa kameranya model ini tidak ada gunanya.
Belum dipakai

Angka kinerja tiap model beserta ukuran sampelnya sengaja tidak ditampilkan di halaman ini, agar tidak terkutip lepas dari konteksnya. Angka lengkapnya ada di dokumen metodologi, berikut satu catatan yang berlaku untuk semuanya: latih dan uji berasal dari sesi pemotretan yang sama, jadi belum ada himpunan uji yang benar-benar terpisah. Batasan selengkapnya ada di bagian berikutnya.

Tata Peran

Lima tingkat hak akses

Kewenangan dipisah agar kekeliruan pada satu tingkat tidak berdampak ke seluruh sistem. Data juga dipisah per kawasan pengelolaan — pengguna satu taman nasional tidak melihat data kawasan lain, kecuali peran yang memang ditugaskan lintas kawasan.

Tingkat 1
Pengguna
Mengunggah data hasil survei dan melihat hasil deteksi pada kawasannya sendiri. Cocok untuk petugas lapangan yang menyetor data penerbangan.
Tingkat 2
Anotator
Menandai dan memperbaiki objek pada citra. Seluruh hasil kerjanya selalu melewati pemeriksaan sebelum dipakai — tidak ada anotasi yang langsung diterima.
Tingkat 3
Verifikator & pengelola kawasan
Memeriksa dan menyetujui hasil anotasi, mengelola daftar jenis, serta mengatur anggota tim pada kawasannya. Ini peran kunci mutu data.
Tingkat 4
Pengelola model
Menjalankan pelatihan model dan menelaah data lintas kawasan untuk memperbesar himpunan data latih — sebab mutu model ditentukan jumlah dan ketepatan data, bukan pilihan algoritmanya.
Tingkat 5
Administrator sistem
Mengelola akun pengguna dan pemberian kewenangan. Satu-satunya peran yang dapat mengubah tingkat akses orang lain.
Batas & Tata Kelola

Yang tidak dilakukan sistem ini

Menyatakan batas kemampuan secara terbuka lebih berguna daripada menjanjikan hal yang belum terbukti. Bagian ini sengaja ditampilkan sejajar dengan bagian kemampuan.

Bukan penetapan hukum

Keluaran sistem tidak boleh menjadi dasar tunggal penetapan pelanggaran, tindakan penegakan, maupun penetapan batas kawasan. Sistem mendokumentasikan; manusia berwenang yang memutuskan.

Bukan pengganti survei lapangan

Satwa di bawah tajuk rapat tidak terlihat dari udara. Angka dari udara karena itu cenderung kurang mewakili individu yang berada di naungan, dan perlu dilengkapi metode darat.

Lokasi jenis sensitif dilindungi

Koordinat presisi jenis terancam dan pohon bernilai kayu tidak ditampilkan kepada pengguna di luar kelompok pengelola, dan setiap akses ke koordinat presisi tercatat.

Status: tahap pilot

Platform berjalan di produksi dengan data lapangan nyata, tetapi angka kinerjanya berasal dari himpunan uji kecil. Metodologi dan keterbatasannya terdokumentasi terbuka.

Akses & Paket

Sains lebih dulu, akses sesuai kemampuan

Akses gratis tersedia bagi tujuan sosial, pendidikan, dan konservasi yang tidak mampu membayar. Paket berlangganan mendukung pengembangan dan operasi layanan. Pemerintah dan organisasi besar yang wajib memakai server sendiri dapat menghubungi kami, dengan ketentuan yang disepakati per kontrak.

Memuat paket…

Server Anda Sendiri

Untuk pemerintah, perusahaan, dan konsultan besar yang wajib menyimpan seluruh aplikasi di server sendiri karena alasan keamanan data. Aplikasi dipasang di server Anda, sementara bagian inti (deteksi, paket terbang, tutupan lahan, laporan bertanda tangan) tetap berjalan dan dijaga oleh kami lewat API — kerahasiaan metode terjaga tanpa mengurangi kendali Anda atas data lapangan.
  • Data dan citra tetap tersimpan di server Anda
  • Semua modul tersedia, termasuk paket terbang dan API drone
  • Lisensi per instalasi, masa berlaku jelas, dapat dicabut
Ketentuan & harga: hubungi kami Pelajari selengkapnya (PDF)

Kredit mengukur waktu mesin yang dipakai tiap pekerjaan berat; ekuivalen hektare adalah perkiraan dari pengukuran kami dan dapat berbeda menurut jenis dan kondisi data. Akses gratis diajukan dan disahkan pengelola berdasarkan tujuan, bukti sederhana, dan kesediaan menerima syarat larangan penggunaan merusak.

Bila kredit bulanan habis sebelum periode berakhir, kuota tetap ditegakkan: pekerjaan berat baru menunggu bulan berikutnya, atau Anda dapat meminta kredit tambahan kepada kami. Kredit tambahan dihargai lebih tinggi per satuan daripada kredit yang sudah termasuk dalam paket, dan pengguna paket Gratis dikenai tarif kredit tambahan yang paling tinggi — supaya paket berbayar tetap pilihan paling hemat untuk kebutuhan rutin.

Naskah Terbuka

Metodologinya dapat dibaca dan diuji siapa pun

Laporan metodologi lengkap diterbitkan terbuka, termasuk seluruh keterbatasan, temuan negatif, dan kesimpulan yang sempat keliru lalu ditarik. Pembaca berhak menilai dasar setiap klaim, bukan sekadar mempercayainya.

Bahasa Indonesia

Metodologi Deteksi Multi-Sensor untuk Pemantauan Konservasi Berbasis Kecerdasan Artifisial

33 halaman · 15 bab. Memuat protokol evaluasi, hasil, keterbatasan, glosarium, dan tiga lampiran yang menjelaskan dasar-dasarnya bagi pembaca tanpa latar belakang teknis.
English

Multi-Sensor Detection Methodology for Conservation Monitoring Based on Artificial Intelligence

33 pages · 15 chapters. The same document in English, built from the same source so that the two versions cannot drift apart.

Laporan interim, bukan sistem tervalidasi penuh. Angka kinerjanya berasal dari himpunan uji kecil yang tidak memungkinkan klaim generalisasi. Naskah ini tidak boleh dikutip sebagai bukti kesiapan operasional, dan keluaran sistem tidak boleh menjadi dasar tunggal keputusan hukum, penindakan, atau kebijakan. Peringatan yang sama tercetak di halaman pertama naskahnya.