Pembangunan Model Deep Learning Untuk Klasifikasi Kesehatan Cassava

Abstract

Penelitian ini bertujuan untuk membangun model deep learning berbasis YOLOv8. Salah satu komoditas pangan di Indonesia yang memiliki peran penting dalam ketahanan pangan adalah cassava. Menurut Direktorat Jendral Tanam Pangan, produksi cassava di Indonesia mengalami fluktuasi, dengan produksi tertinggi pada tahun 2019 sebesar 16.350.370 ton, namun mengalami penurunan hingga 14.951.350 ton pada tahun 2022. Salah satu faktor utama penurunan ini adalah meningkatnya serangan penyakit yang sulit dideteksi secara dini. Saat ini deteksi penyakit pada cassava dilakukan secara visual oleh petani, yang menyebabkan keterlambatan dalam pengendalian penyakit dan meningkatkan risiko kehilangan hasil panen. Maka diperlukan pendekatan berbasis kecerdasan buatan untuk mengklasifikasikan kesehatan cassava secara otomatis, cepat, dan akurat. Model dibangun melalui beberapa tahapan utama, mulai dari akuisisi data sekunder dari dataset citra daun cassava yang terdiri dari lima kelas yaitu bacterial blight, brown spot, green mite, healthy, dan mosaic. Tahapan selanjutnya adalah praproses data, termasuk pemeriksaan citra agar sesuai dengan label, selanjutnya dengan balancing data menggunakan teknik undersampling untuk menyetarakan jumlah citra antar kelas. Dataset kemudian dibagi menjadi 60% data latih, 20% data validasi, dan 20% data uji. Augmentasi citra dilakukan hanya pada data latih, menggunakan berbagai teknik seperti rotation, zoom, flip horizontal, brightness contrast adjustment, dan gaussian blur, untuk meningkatkan generalisasi model. Proses pelatihan dilakukan dengan enam skenario eksperimen menggunakan YOLOv8, baik dengan base-model maupun optimasi hyperparameter melalui grid search dan random search. Evaluasi performa model dilakukan dengan menggunakan data validasi dan data uji. Adapun metrik yang digunakan meliputi precision, recall, f1-score, dan akurasi, serta dianalisis menggunakan confusion matrix guna mengidentifikasi pola kesalahan klasifikasi. Hasil penelitian menunjukkan bahwa model terbaik diperoleh dengan grid search pada data asli, dengan akurasi pengujian sebesar 94,1%. Model ini memiliki waktu inferensi yang cepat, yaitu 0,8 milidetik per citra, sehingga berpotensi untuk diterapkan dalam sistem pertanian berbasis kecerdasan buatan yang membutuhkan deteksi penyakit secara real-time. Analisis kesalahan model menunjukkan bahwa kelas bacterial blight memiliki tingkat misclassification yang lebih tinggi dibandingkan kelas lainnya, terutama diklasifikasikan sebagai brown spot, yang disebabkan oleh kemiripan pola visual antara kedua kelas tersebut. Perbandingan dengan penelitian terdahulu menunjukkan bahwa model ini memiliki akurasi yang kompetitif dengan beberapa metode deep learning lainnya, seperti Faster R-CNN (95%) dan EfficientNetB (96,74%), dengan keunggulan utama dalam kecepatan inferensi dan efisiensi pemrosesan. Berdasarkan hasil penelitian, model YOLOv8 yang dikembangkan telah menunjukkan potensi untuk diterapkan dalam sistem klasifikasi kesehatan cassava secara otomatis. Adapun kesimpulan dan saran untuk meningkatkan kehandalan model dalam lingkungan nyata, diperlukan pengujian lebih lanjut dengan citra yang diperoleh langsung dari lahan pertanian dengan berbagai kondisi pencahayaan. Selain itu, model ini dapat dikembangkan lebih lanjut dengan mengintegrasikannya dalam sistem Internet of Things (IoT) atau aplikasi berbasis mobile untuk membantu petani dalam klasifikasi kesehatan tanaman cassava secara lebih efisien. Dengan demikian, penelitian ini diharapkan dapat berkontribusi dalam mendukung sistem pertanian berbasis kecerdasan buatan yang lebih adaptif, presisi, efisien.