ANALISIS PERFORMA METODE YOLOV5 DALAM MENDETEKSI PENYAKIT TANAMAN CABAI

• Main Author: Laurenza Setiana Riva, (Author)
• Format: Book
• Published: 2023-06-27.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upnvj.ac.id/25308/1/ABSTRAK.pdf; http://repository.upnvj.ac.id/25308/13/AWAL.pdf; http://repository.upnvj.ac.id/25308/14/BAB%201.pdf; http://repository.upnvj.ac.id/25308/23/BAB%202.pdf; http://repository.upnvj.ac.id/25308/21/BAB%203.pdf; http://repository.upnvj.ac.id/25308/22/BAB%204.pdf; http://repository.upnvj.ac.id/25308/17/BAB%205.pdf; http://repository.upnvj.ac.id/25308/25/DAFTAR%20PUSTAKA.pdf; http://repository.upnvj.ac.id/25308/19/RIWAYAT%20HIDUP.pdf; http://repository.upnvj.ac.id/25308/24/LAMPIRAN.pdf; http://repository.upnvj.ac.id/25308/10/HASIL%20PLAGIARISME.pdf; http://repository.upnvj.ac.id/25308/2/ARTIKEL%20KI.pdf
• Keywords: QA75 Electronic computers. Computer science; QA76 Computer software

Pesatnya perkembangan teknologi memunculkan berbagai macam algoritma baru yang membantu manusia salah satunya yaitu object detection yang digunakan untuk mengenali setiap obyek pada sebuah gambar sehingga manusia dapat mengetahui keberadaan dan nama obyek yang ada. Salah satu permasalahan yang sering dihadapi yaitu penurunan pendapatan dari hasil tani dikarenakan penyakit seperti pada tanaman cabai yang mana cabai merupakan bahan makanan yang sering dikonsumsi masyarakat. Pemeliharaan tanaman cabai cukup banyak kendala salah satunya adalah faktor cuaca yang mengakibatkan banyak penyakit dan hama yang bermunculan yang dapat membuat produksi cabai menurun. Dengan adanya algoritma object detection dapat menunjukkan pada petani penyakit apa yang sedang menjangkiti tanaman cabai hanya melalui gambar sehingga permasalahan dapat segera diatasi. Penelitian ini menggunakan algoritma YOLOv5 yang akan diuji bagaimana performa model dalam mendeteksi penyakit pada tanaman cabai. Jenis penyakit yang akan terdeteksi diantaranya bercak, hawar, antraknosa, dan kutu kebul. Terdapat 5 versi yang diuji yaitu YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, dan YOLOv5x. Pengambilan gambar diambil menggunakan kamera handphone dengan ukuran 3472x3472 piksel. Data gambar yang digunakan sebanyak 430 gambar. Setiap gambar terlebih dahulu dilakukan praproses mulai dari mengubah ukuran gambar, melakukan penajaman gambar, hingga anotasi gambar. Data gambar dibagi menjadi 3 bagian yaitu data train, data validation, dan data test. Pada penelitian ini dilakukan 10 percobaan dengan K-Fold Cross Validation untuk mengelompokkan data. Dari percobaan yang dilakukan, didapatkan hasil terbaik yaitu pada percobaan 8 dengan versi YOLOv5m sebesar 0.95 dengan nilai mAP dan f1-score masing-masingnya yaitu 0.959 dan 0.941. Hasil terbaik ini didapatkan pada epoch ke 135.