| dc.description.abstract | Deteksi penyakit kuning pada tanaman hortikultura penting dilakukan untuk menekan intensitas penyakit sehingga dapat mengurangi kehilangan hasil. Penyakit kuning dapat disebabkan oleh faktor biotik seperti adanya infeksi dari virus tumbuhan dan faktor abiotik berupa kekurangan unsur hara dan kondisi cuaca. Saat ini, deteksi penyakit kuning pada tanaman masih dilakukan dalam skala laboratorium dengan teknik berbasis protein dan asam nukleat. Teknik-teknik deteksi ini memerlukan biaya yang relatif mahal, membutuhkan tenaga ahli di bidang molekuler dan membutuhkan alat dan bahan yang mencukupi. Sejalan dengan perkembangan ilmu dan teknologi, metode deteksi penyakit tanaman telah banyak dikembangkan melalui pendekatan kecerdasan buatan (artificial intelligence) berbasis deep learning. Algoritma-algoritma deep learning seperti convolutional neural network (CNN) dan You Only Look Once (YOLO) telah banyak digunakan untuk membangun model deteksi penyakit tanaman tersebut. Khususnya YOLOv5, merupakan salah satu algoritma yang banyak digunakan untuk deteksi objek. Penelitian ini bertujuan membangun model deteksi penyakit kuning pada tanaman hortikultura terutama pada komoditi cabai merah, terung dan kacang panjang yang terdiri atas 3 aspek, yaitu (1) mengidentifikasi dataset dan sampel daun bergejala kuning secara molekuler dengan teknik polymerase chain reaction; (2) membangun model deteksi penyakit kuning dengan YOLOv5; dan (3) pengujian model YOLOv5 untuk mendeteksi penyakit kuning pada tanaman cabai merah, terung dan kacang panjang di lapangan.
Penelitian dimulai dengan persiapan data untuk dapat membangun model deteksi. Dataset yang dikumpulkan dari pertanaman berupa daun tanaman cabai merah, terung dan kacang panjang yang menunjukkan gejala penyakit kuning dan daun tanaman sehat. Sampel daun dari seluruh daun yang dikumpulkan dari pertanaman diambil sesuai dengan variasi tipe gejala yang ditemukan dan diidentifikasi secara molekuler dengan teknik polymerase chain reaction. Setelah diidentifikasi terhadap keberadaan Begomovirus pada daun yang bergejala, tahap selanjutnya adalah pemberian label citra pada seluruh dataset. Pelabelan citra ini mengacu pada hasil uji secara molekuler dan dilakukan secara manual untuk menentukan kelas objek deteksi. Deteksi penyakit kuning ini terdiri atas dua kelas yaitu positif Begomovirus dan negatif Begomovirus. Dataset yang telah diberi label kemudian dilakukan tahapan resizing data untuk mengubah ukuran citra dan augmentasi citra untuk memperbanyak dataset. Seluruh data citra dalam dataset dibagi menjadi dua bagian utama yaitu: (1) data training dan (2) data testing. selanjutnya dilakukan pembangunan model YOLOv5. Kemudian dilakukan uji validasi dengan metode 5-fold cross validation terhadap model yang telah dibangun. Hasil deteksi model di evaluasi dengan melihat hasil confusion matrix-nya. Nilai confusion matrix yang dilihat adalah nilai recall, precision, mAP dan F1-score.
Penyakit kuning pada ketiga jenis tanaman hortikultura yang dikaji ini memiliki variasi gejala untuk setiap jenis tanamannya. Hasil analisis model deteksi dengan YOLOv5 menunjukkan bahwa model dapat mendeteksi penyakit kuning pada ketiga jenis tanaman dengan rata-rata akurasi, precision dan recall secara berurutan yaitu sebesar 89,8%; 93,0%; dan 82,4%. Model deteksi dengan YOLOv5 ini sangat baik dalam melakukan deteksi penyakit kuning pada tanaman terung dan kacang panjang sedangkan pada tanaman cabai merah tidak sebaik pada kedua jenis tanaman sebelumnya. Penyebab dari hal ini adalah karena citra pada daun cabai merah terlalu kecil dan background yang terlalu luas sehingga model tidak akurat dalam melakukan deteksi. Selain itu, citra yang dimiliki kurang fokus dan blur yang dapat menyebabkan kesalahan deteksi. | |
