Implementasi Metode Yolov10 Untuk Mendeteksi Penyakit Melalui Analisis Citra Daun Pada Tanaman Padi

Encik Yoega Renaldi; Sumijan Sumijan; Rini Sovia

doi:10.30591/smartcomp.v14i4.8486

Implementasi Metode Yolov10 Untuk Mendeteksi Penyakit Melalui Analisis Citra Daun Pada Tanaman Padi

Encik Yoega Renaldi, Sumijan Sumijan, Rini Sovia

Abstract

Padi menjadi makanan pokok bagi hampir 80% untuk diseluruh Indonesia, yang penghidupannya sangat bergantung pada hasil panen. Sektor pertanian padi menghadapi tantangan berupa penyakit pada daun tanaman, dengan mayoritas petani masih menggunakan metode konvensional dalam deteksi penyakit, menyebabkan keterlambatan penanganan. Penelitian ini mengembangkan sistem deteksi dini penyakit tanaman padi menggunakan kecerdasan buatan dan computer vision dengan deep learning. Implementasi metode YOLOv10 yang efektif dengan menghilangkan penekanan Non-Maximum Suppression untuk mengurangi komputasi secara signifikan. Data penelitian yang dikumpulkan di Dinas Pertanian Kota Padang mencakup 1.446 citra dari tiga jenis penyakit: hawar daun bakteri, cendawan bercak, dan virus tungro. Pre-processing melalui augmentasi data, dataset diperbesar menjadi 10.122 citra. Pelatihan model selama 100 epoch menghasilkan tingkat kepercayaan untuk penyakit daun bakteri hawar (90%), cendawan bercak (91%), dan virus tungro (98%). Sistem mencapai tingkat kepercayaan mAP 93%, Skor F1 88%, dengan waktu komputasi 0,9 detik per citra. Sistem ini menjadi solusi efektif dan efisien bagi para ahli pertanian dan petani dalam menganalisis tingkat keparahan penyakit daun pada tanaman padi.

Keywords

Daun; Padi; Citra; Pre-processing; YOLOv10

Full Text:

References

A. Maritsa, U. Hanifah Salsabila, M. Wafiq, P. Rahma Anindya, and M. Azhar Ma’shum, “Pengaruh Teknologi Dalam Dunia Pendidikan,” Al-Mutharahah: Jurnal Penelitian dan Kajian Sosial Keagamaan, vol. 18, no. 2, pp. 91–100, 2021, doi: 10.46781/al-mutharahah.v18i2.303.

N. E. Budiyanta, M. Mulyadi, and H. Tanudjaja, “Sistem Deteksi Kemurnian Beras berbasis Computer Vision dengan Pendekatan Algoritma YOLO,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 6, no. 1, pp. 51–55, 2021, doi: 10.30591/jpit.v6i1.2309.

J. Jumadi, Y. Yupianti, and D. Sartika, “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,” JST (Jurnal Sains dan Teknologi), vol. 10, no. 2, pp. 148–156, 2021, doi: 10.23887/jstundiksha.v10i2.33636.

A. Arnita, F. Marpaung, Z. A. Koemadji, M. Hidayat, A. Widianto, and F. Aulia, “Selection of Food Identification System Features Using Convolutional Neural Network (CNN) Method,” Scientific Journal of Informatics, vol. 10, no. 2, pp. 205–216, 2023, doi: 10.15294/sji.v10i2.44059.

T. Arifianto and M. A. A. Arifidin, “Pengembangan Sistem Pengambilan Data Visual Permukaan Rel Kereta Api Menggunakan Teknik Pengolahan Citra : Analisis Kontras dan Histogram,” vol. 24, no. 1, pp. 33–41, 2024.

K. Ahmad Baihaqi and C. Zonyfar, “Deteksi Lahan Pertanian Yang Terdampak Hama Tikus Menggunakan Yolo v5,” Syntax : Jurnal Informatika, vol. 11, no. 02, pp. 01–11, 2022, doi: 10.35706/syji.v11i02.7226.

M. Anwar, Y. Kristian, and E. Setyati, “Klasifikasi Penyakit Tanaman Cabai Rawit Dilengkapi Dengan Segmentasi Citra Daun dan Buah Menggunakan Yolo v7,” INTECOMS: Journal of Information Technology and Computer Science, vol. 6, no. 1, pp. 540–548, 2023, doi: 10.31539/intecoms.v6i1.6071.

A. Wang et al., “YOLOv10: Real-Time End-to-End Object Detection,” pp. 1–18, 2024, [Online]. Available: http://arxiv.org/abs/2405.14458

X. Han, J. Chang, and K. Wang, “Real-time object detection based on YOLO-v2 for tiny vehicle object,” Procedia Computer Science, vol. 183, pp. 61–72, 2021, doi: 10.1016/j.procs.2021.02.031.

N. Mamdouh and A. Khattab, “YOLO-Based Deep Learning Framework for Olive Fruit Fly Detection and Counting,” IEEE Access, vol. 9, pp. 84252–84262, 2021, doi: 10.1109/ACCESS.2021.3088075.

H. Y. Chen, C. H. Lin, J. W. Lai, and Y. K. Chan, “Convolutional Neural Network-Based Automated System for Dog Tracking and Emotion Recognition in Video Surveillance,” Applied Sciences (Switzerland), vol. 13, no. 7, 2023, doi: 10.3390/app13074596.

T. Takyudin, I. Fitri, and Y. Yuhandri, “Catfish Fry Detection and Counting Using YOLO Algorithm,” Journal of Applied Informatics and Computing, vol. 7, no. 2, pp. 192–197, 2023, doi: 10.30871/jaic.v7i2.6746.

G. R. I. L. Jayasooriya and S. M. Arachchi, “Diagnosis of Bacterial Leaf Blight, Brown Spots, and Leaf Smut Rice Plant Diseases using Light GBM,” International Journal of Computer Applications, vol. 183, no. 48, pp. 53–58, 2022, doi: 10.5120/ijca2022921895.

S. Sheila, I. Permata Sari, A. Bagas Saputra, M. Kharil Anwar, and F. Restu Pujianto, “Deteksi Penyakit Pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network (CNN),” Multinetics, vol. 9, no. 1, pp. 27–34, 2023, doi: 10.32722/multinetics.v9i1.5255.

L. S. Riva and J. Jayanta, “Deteksi Penyakit Tanaman Cabai Menggunakan Algoritma YOLOv5 Dengan Variasi Pembagian Data,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, no. 3, pp. 248–254, 2023, doi: 10.30591/jpit.v8i3.5679.

Ulfah Nur Oktaviana, Ricky Hendrawan, Alfian Dwi Khoirul Annas, and Galih Wasis Wicaksono, “Klasifikasi Penyakit Padi berdasarkan Citra Daun Menggunakan Model Terlatih Resnet101,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, pp. 1216–1222, 2021, doi: 10.29207/resti.v5i6.3607.

X. Qu, D. Kojima, L. Wu, and M. Ando, “The losses in the rice harvest process: A review,” Sustainability (Switzerland), vol. 13, no. 17, pp. 1–25, 2021, doi: 10.3390/su13179627.

S. Ramadhan et al., “INTENSITAS PENYAKIT TANAMAN PADI (Oryza sativa L.) VARIETAS CIHERANG PADA APLIKASI BEBERAPA TEKNIK PENGENDALIAN,” vol. 13, no. 2, pp. 127–134, 2023.

Y. Li, Z. Guo, Y. Sun, X. Chen, and Y. Cao, “Weed Detection Algorithms in Rice Fields Based on Improved YOLOv10n,” 2024.

B. S. Ali, H. Nasir, A. Khan, M. Ashraf, and S. M. Akbar, “A Machine Learning-Based Model for the Detection of Skin Cancer Using YOLOv10,” in 2024 IEEE 8th International Conference on Signal and Image Processing Applications (ICSIPA), 2024, pp. 1–6. doi: 10.1109/ICSIPA62061.2024.10686198.

DOI: https://doi.org/10.30591/smartcomp.v14i4.8486