Analisis Perbandingan Arsitektur You Only Look Once (YOLO) untuk Mendeteksi Penyakit Kuning pada Tanaman Hortikultura

Abstract

Penyakit kuning merupakan penyakit yang menginfeksi tanaman hortikultura yang disebabkan oleh Begomovirus. Penyakit ini dapat menyebabkan kerusakan tanaman yang dapat mengurangi kuantitas dan kualitas produksi sehingga menurunkan harga pasar. Metode deteksi Begomovirus yang umum digunakan adalah dengan pengujian laboratorium, tapi metode ini membutuhkan waktu yang lama, biaya yang besar, dan hanya dapat dilakukan oleh ahli. Oleh karena itu, dibutuhkan metode deteksi yang dapat mengatasi kekurangan tersebut. Deteksi objek berbasis deep learning merupakan salah satu solusi untuk mendeteksi penyakit kuning secara cepat dan murah. Penelitian ini menggunakan arsitektur YOLOv8 untuk mendeteksi penyakit kuning akibat Begomovirus, lalu membandingkan hasilnya dengan arsitektur YOLOv5. Pelatihan kedua arsitektur dilakukan menggunakan 9 kombinasi hyperparameter yang berfokus pada image size dan batch size. Hasil penelitian pada YOLOv8 menghasilkan nilai mAP sebesar 85,56% dan waktu inferensi selama 0,146 detik, sedangkan YOLOv5 menghasilkan nilai mAP sebesar 77,11% dan waktu inferensi selama 0,101 detik. Hal ini menunjukkan bahwa YOLOv8 menghasilkan nilai mAP yang lebih baik daripada YOLOv5, namun dengan konsekuensi berupa waktu inferensi yang lebih lama. Apabila performa model lebih diutamakan, YOLOv8 merupakan arsitektur yang lebih baik daripada YOLOv5.

Yellow leaf disease is the diseases that infect horticulture crops caused by Begomovirus. This disease can cause serious damage that reduce the quantity and quality of production, thereby lowering market price. The commonly used detection method for Begomovirus is laboratory testing, but it takes a long time, costs a lot of money, and can only be done by experts. Therefore, a detection method is needed to overcome those shortcomings. Deep learning-based object detection is one of the solutions to detect yellow leaf disease quickly and at low-cost. This research used YOLOv8 architecture to detect yellow leaf caused by Begomovirus, then compare the result with YOLOv5 architecture. The training of both architectures was conducted using 9 hyperparameter combinations that focused on image size and batch size. The results of the research on YOLOv8 produced a mAP value of 85.56% and an inference time of 0.146 seconds, while YOLOv5 produced a mAP value of 77.11% and an inference time of 0.101 seconds. This shows that YOLOv8 produced superior performance than YOLOv5, but with a longer inference time as a consequence. If model performance is prioritized, YOLOv8 is a better architecture than YOLOv5.