PENERAPAN MODEL YOLOV8 UNTUK IDENTIFIKASI DINI PENYAKIT DAUN TOMAT MENGGUNAKAN CITRA DIGITAL

Abstrak

Deteksi dini penyakit daun tomat sangat penting untuk menjaga produktivitas pertanian dan keberlanjutan pangan. Penelitian ini menggunakan model YOLOv8 untuk mendeteksi dan mengklasifikasikan sembilan jenis kondisi daun tomat berdasarkan citra digital. Dataset yang digunakan berasal dari Tomato Leaf Dataset dengan proses praproses meliputi penambahan data dan konversi label ke format YOLO. Model dilatih dan diuji menggunakan metrik evaluasi seperti presisi, recall, dan F1-score. Hasilnya menunjukkan kinerja tinggi pada kelas Late Blight dengan F1-score sebesar 0,979, presisi 0,959, dan recall 1,000. Sementara itu, kelas dengan performa rendah adalah Bacterial Spot (F1-score 0,525, presisi 0,541, recall 0,510) dan Healthy (F1-score 0,499, presisi 0,923, recall 0,342), terutama disebabkan oleh ketidakseimbangan data. Confusion Matrix menunjukkan bahwa kesalahan klasifikasi terbesar terjadi pada kelas dengan gejala visual yang mirip atau jumlah data yang terbatas. Model ini menunjukkan potensi besar dalam mendeteksi penyakit daun tomat secara otomatis. Namun, peningkatan kinerja per kelas masih diperlukan melalui penyeimbangan data dan strategi pelatihan tingkat lanjut.

Identifier

• OpenAlex: https://openalex.org/W4415096504
• DOI: https://doi.org/10.30587/indexia.v7i2.9910