DETEKSI REAL-TIME Oryctes rhinoceros L. MENGGUNAKAN ALGORITMA YOLO (YOU ONLY LOOK ONCE) BERBASIS KAMERA DIGITAL

Abstract

Kumbang tanduk Oryctes rhinoceros L. merupakan salah satu hama utama tanaman kelapa yang dapat menurunkan pertumbuhan dan produktivitas tanaman. Pemanfaatan kecerdasan buatan menjadi salah satu alternatif untuk meningkatkan efektivitas pemantauan hama. Penelitian ini bertujuan mengembangkan sistem deteksi O. rhinoceros secara real-time menggunakan algoritma YOLO berbasis kamera digital serta mengevaluasi kinerjanya. Sistem dikembangkan menggunakan model YOLOv8 dengan dataset yang terdiri atas citra positif dan negatif yang telah dianotasi menggunakan bounding box. Evaluasi dilakukan melalui pengujian kinerja sistem, pengujian menggunakan objek non-target, dan pengujian pada variasi jarak kamera. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi O. rhinoceros secara real-time dengan tingkat keberhasilan yang tinggi pada kondisi pengujian terkendali. Sistem juga mampu membedakan O. rhinoceros dari beberapa objek non-target, meskipun masih ditemukan deteksi keliru pada objek yang memiliki karakteristik visual menyerupai kumbang. Selain itu, peningkatan jarak kamera menyebabkan penurunan keberhasilan deteksi dan nilai confidence. Penelitian ini menunjukkan bahwa algoritma YOLO berpotensi diterapkan sebagai dasar pengembangan sistem pemantauan hama.

Oryctes rhinoceros L. is one of the major pests of coconut that can reduce plant growth and productivity. Artificial intelligence offers an alternative approach to improve pest monitoring efficiency. This study aimed to develop a real-time detection system for O. rhinoceros using the YOLO algorithm based on a digital camera and to evaluate its performance. The system was developed using the YOLOv8 model with annotated positive and negative image datasets. Performance evaluation included system performance testing, non-target object testing, and camera distance testing. The results showed that the proposed system successfully detected O. rhinoceros in real time with high performance under controlled conditions. The system was also able to distinguish O. rhinoceros from several non-target objects, although false detections still occurred on visually similar objects. Furthermore, increasing the camera distance reduced both detection performance and confidence values. These findings demonstrate that the YOLO algorithm has strong potential as the basis for developing pest monitoring systems.