ANALISIS PERFORMA MODEL YOLOV5 PADA DETEKSI PENYAKIT DAUN TANAMAN PISANG BERBASIS DEEP LEARNING

Abstrak

Penyakit daun tanaman pisang (Musa spp.) menjadi ancaman produktivitas pertanian tropis Indonesia secara signifikan, dengan estimasi kehilangan hasil panen mencapai 30–50% pada musim basah akibat infeksi patogen yang tidak tertangani sejak dini. Keterbatasan kapasitas diagnosis manual petani menghasilkan kesalahan identifikasi penyakit dan keterlambatan intervensi pengendalian, terutama pada tahap awal infeksi ketika gejala antarkelas penyakit masih memperlihatkan kemiripan visual tinggi. Penelitian ini mengusulkan sistem deteksi otomatis penyakit daun pisang berbasis deep learning menggunakan arsitektur You Only Look Once versi 5 (YOLOv5) sebagai solusi diagnosis berbasis citra digital. Dataset penelitian berjumlah 9.684 citra dari delapan kelas penyakit daun pisang yang dikurasi melalui platform Roboflow dengan pembagian 87% data pelatihan (8.460 citra), 8% data validasi (820 citra), dan 4% data pengujian (404 citra). Preprocessing mencakup tiling 2×2, orientasi otomatis, dan standarisasi resolusi 512×512 piksel menggunakan metode stretch. Augmentasi data diterapkan melalui flip horizontal dan vertikal serta crop dengan variasi zoom 0–25%, menghasilkan tiga output per citra pelatihan. Evaluasi performa model menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP@0.5). Hasil penelitian menunjukkan model YOLOv5 mampu mendeteksi dan mengklasifikasikan penyakit daun pisang secara akurat pada kondisi citra lapangan tropis Indonesia, dengan performa terbaik pada kelas Healthy, Moko, Pestalotiopsis, dan Sigatoka.

Identifier

• OpenAlex: https://openalex.org/W7167891843
• DOI: https://doi.org/10.36341/rabit.v11i2.7832