Deteksi Penyakit Tanaman Tomat Melalui Citra Daun Menggunakan YOLOv10 (Studi Kasus di Dinas Pertanian Padangsidimpuan)

Siregar, Ahmad Fadhil (2025) Deteksi Penyakit Tanaman Tomat Melalui Citra Daun Menggunakan YOLOv10 (Studi Kasus di Dinas Pertanian Padangsidimpuan). Masters thesis, Universitas Putra Indonesia YPTK.

Preview	Text TESIS_AHMAD FADHIL SIREGAR_231321002_ABSTRAK.pdf Download (238kB) | Preview
Preview	Text TESIS_AHMAD FADHIL SIREGAR_231321002_BAB I.pdf Download (292kB) | Preview
Preview	Text TESIS_AHMAD FADHIL SIREGAR_231321002_DAFTAR PUSTAKA.pdf Download (195kB) | Preview
	Text TESIS_AHMAD FADHIL SIREGAR_231321002_FULL TEXT.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kemajuan teknologi informasi (IT) dan kecerdasan buatan telah membawa perubahan signifikan dalam berbagai sektor, termasuk pertanian. Salah satu penerapan teknologi ini adalah dalam deteksi dini penyakit tanaman menggunakan deep learning dan computer vision, yang memungkinkan analisis citra secara otomatis dan real-time. Penelitian ini berfokus pada deteksi penyakit daun tomat (Solanum lycopersicum), khususnya daun dengan gejala penyakit Early Blight dan Tomato Yellow Leaf Curl Virus (TYLCV), menggunakan model You Only Look Once (YOLOv10). Model ini dikembangkan untuk mendeteksi penyakit daun secara akurat dan diterapkan dalam aplikasi berbasis Android agar dapat digunakan langsung oleh petani di lapangan,Penelitian ini menggunakan dataset primer yang terdiri dari 304 gambar yang terbagi dalam 7 kelas penyakit. Model YOLOv10 dilatih menggunakan 50 epochs, dengan image size 640 dan batch size 16. Hasil evaluasi model berdasarkan confusion matrix menunjukkan bahwa model mencapai nilai akurasi 67,48%, mean Average Precision (mAP) 58,7% pada threshold 0,5, dan 49,2% pada threshold 0,75. Nilai precision pada beberapa kelas penyakit, seperti Bacterial Spot, mencapai 0,724, sementara pada penyakit Early Blight mencapai 0,283, dengan rata-rata precision model 0,296. Setelah mendapatkan hasil dari proses training, model YOLOv10 diuji untuk mengidentifikasi penyakit daun tomat secara real-time. Pengujian deteksi menunjukkan bahwa sistem dapat mengenali penyakit dalam waktu kurang dari 1 detik per citra, menjadikannya solusi yang efisien untuk implementasi di lapangan. Implementasi YOLOv10 dalam aplikasi mobile berbasis TensorFlow Lite dan Flutter menunjukkan konsumsi daya yang rendah, sehingga aplikasi dapat digunakan secara praktis oleh petani tanpa membutuhkan perangkat berdaya tinggi.

Actions (login required)

View Item