ANALISIS KINERJA ALGORITMA YOLOV8 DAN CONVOLUTIONAL NEURAL NETWORK PADA DETEKSI PENYAKIT SOYBEAN RUST

Adzani, Nabila Lintang (2025) ANALISIS KINERJA ALGORITMA YOLOV8 DAN CONVOLUTIONAL NEURAL NETWORK PADA DETEKSI PENYAKIT SOYBEAN RUST. Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (236kB)
	Text BAB 2.pdf Download (346kB)
	Text BAB 3.pdf Download (407kB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (225kB)
	Text LAMPIRAN.pdf Download (3MB)
	Text LAMPIRAN.pdf Download (3MB)

Abstract

Penelitian ini mengkaji kinerja dua algoritma kecerdasan buatan, yaitu YOLOv8 dan Convolutional Neural Network (CNN), dalam mendeteksi penyakit karat daun (soybean rust) pada tanaman kedelai. Penyakit karat daun merupakan ancaman serius bagi produktivitas kedelai di Indonesia, sehingga deteksi dini yang cepat dan akurat sangat dibutuhkan. Dataset yang digunakan berasal dari repositori publik datadryad.org, terdiri dari citra daun kedelai sehat dan yang terinfeksi penyakit karat daun. Model CNN diimplementasikan menggunakan arsitektur MobileNetV2 dengan teknik transfer learning, sedangkan YOLOv8 digunakan sebagai model deteksi objek yang mampu memberikan klasifikasi sekaligus lokasi area infeksi pada daun. Hasil evaluasi menunjukkan bahwa CNN mencapai akurasi klasifikasi sebesar 97,4% dengan precision 0,96 dan recall 0,97, sedangkan YOLOv8 memperoleh nilai mean Average Precision (mAP50) sebesar 82,32% dengan precision 0,82 dan recall 0,80. YOLOv8 unggul dalam kecepatan inferensi dengan rata-rata 6,9 ms per citra dibandingkan CNN yang 28,6 ms. Kedua algoritma memiliki keunggulan masing-masing; CNN lebih efektif untuk klasifikasi citra, sedangkan YOLOv8 lebih tepat untuk deteksi objek secara real-time dengan penentuan lokasi infeksi. Penelitian ini juga mengembangkan aplikasi berbasis web menggunakan Streamlit untuk memudahkan pengguna dalam mendeteksi penyakit kedelai secara interaktif. Saran untuk pengembangan selanjutnya meliputi perluasan dataset, optimasi parameter model, serta implementasi pada perangkat nyata untuk mendukung pertanian cerdas.

Item Type:	Thesis (Bachelor)
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	03 Oct 2025 07:13
Last Modified:	03 Oct 2025 07:13
URI:	http://repository.unas.ac.id/id/eprint/14338

Actions (login required)

View Item