Analisa Performa Algoritma Convolutional Neural Network (CNN) dengan Arsitektur YOLOv8 untuk Deteksi Penyakit Daun Tanaman Hortikultura Tropis

Abstract

Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap performa arsitektur Convolutional Neural Network (CNN) konvensional dan model deteksi objek YOLOv8 dalam mendeteksi penyakit daun pada tanaman hortikultura tropis. Studi ini dilatarbelakangi oleh pentingnya deteksi dini penyakit tanaman guna meningkatkan produktivitas dan efisiensi pertanian, khususnya di wilayah tropis seperti Indonesia. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan eksperimen komparatif, di mana kedua model dilatih dan diuji menggunakan dataset citra daun dari lima jenis tanaman hortikultura, yaitu apel, pisang, durian, mangga, dan jeruk. CNN difungsikan sebagai model baseline yang berfokus pada klasifikasi citra secara keseluruhan, sedangkan YOLOv8 digunakan untuk melakukan deteksi sekaligus pelokalisasian area daun yang terinfeksi. Proses evaluasi performa dilakukan berdasarkan metrik akurasi, precision, recall, mean Average Precision (mAP), serta waktu inferensi. Hasil eksperimen menunjukkan bahwa YOLOv8 memiliki performa yang lebih unggul, dengan capaian nilai mAP pada IoU 0.5 sebesar 0.927, precision sebesar 0.89, recall sebesar 0.87, dan waktu inferensi rata-rata hanya 10.5 milidetik per gambar. Sebaliknya, model CNN menunjukkan akurasi klasifikasi sebesar 0.86 namun tidak mampu memberikan informasi spasial berupa lokasi penyakit. Dengan keunggulan dalam deteksi cepat dan akurat, penelitian ini memberikan kontribusi nyata dalam pengembangan sistem deteksi penyakit tanaman berbasis deep learning yang adaptif dan aplikatif untuk mendukung praktik pertanian presisi di Indonesia.