| dc.description.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. | |
