Deteksi Penyakit Daun Gandum Menggunakan Model Deteksi Objek YOLO

Tanaman padi merupakan salah satu komoditas pangan utama di dunia yang memiliki peran penting dalam menjaga ketahanan pangan global. Namun, produktivitas tanaman padi seringkali terganggu oleh berbagai penyakit daun yang dapat menurunkan kualitas dan hasil panen secara signifikan. Deteksi penyakit secara dini menjadi langkah penting untuk mengendalikan penyebaran penyakit tersebut. Metode konvensional yang mengandalkan pengamatan manual memiliki keterbatasan dalam hal kecepatan, akurasi, serta ketergantungan terhadap keahlian manusia. Oleh karena itu, diperlukan suatu sistem deteksi otomatis yang mampu mengidentifikasi penyakit secara cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit daun padi menggunakan metode YOLO (You Only Look Once) berbasis Deep Learning. Dataset yang digunakan diperoleh dari Kaggle yang terdiri dari citra daun padi dengan anotasi bounding box. Proses penelitian meliputi tahap pengumpulan data, preprocessing, pelatihan model, serta evaluasi performa. Model dilatih menggunakan optimizer Stochastic Gradient Descent (SGD) dengan parameter tertentu untuk memperoleh hasil yang optimal. Evaluasi kinerja model dilakukan menggunakan metrik mean Average Precision (mAP), precision, dan recall. Hasil penelitian menunjukkan bahwa model YOLO mampu mendeteksi penyakit daun padi dengan tingkat akurasi yang tinggi serta waktu deteksi yang relatif cepat. Hal ini menunjukkan bahwa metode YOLO efektif untuk diterapkan dalam sistem pertanian cerdas. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi deteksi penyakit tanaman berbasis kecerdasan buatan.