Implementasi Arsitektur Improved YOLOv8 untuk Deteksi Penyakit Buah Kakao Menggunakan Citra Buah Berbasis Website
Tahun 2026 · Penulis: I’in Mardhiana
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12219
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Implementasi Arsitektur Improved YOLOv8 untuk Deteksi Penyakit Buah Kakao Menggunakan Citra Buah Berbasis Website
Sektor perkebunan kakao Indonesia memainkan peranan strategis dalam perdagangan internasional, tetapi stabilitas produksinya terhambat oleh hama dan wabah penyakit. Fluktuasi dalam nilai ekspor biji kakao selama periode 2022-2025 yang secara singkat mencapai 80,6 juta USD tapi kemudian dikoreksi 51,5 juta USD-highlight kebutuhan untuk intervensi teknologi untuk mempertahankan kualitas tanaman. Tantangan utamanya adalah kesulitan dalam cepat dan akurat mengidentifikasi penyakit seperti Blackpod, Frostyrod, dan hama pengisap buah (Mirid). Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi dini yang berbasis pembelajaran yang mendalam untuk meminimalkan risiko berkurangnya hasil panen dan kualitas. Metode yang digunakan mencakup menerapkan algoritma YOLOv8 yang ditingkatkan dengan integrasi modul GhostNet (GhostConv dan C3Ghost) untuk mengoptimalkan efisiensi komputasi tanpa mengorbankan akurasi deteksi. Dataset terdiri dari 1.992 gambar fisik yang meliputi empat kelas (Blackpod, Frostyrod, Mirid, dan Sehat) dengan pembagian 70:20:10. Optimisasi dilakukan menggunakan on-the-fly oversampling untuk mengatasi ketidakseimbangan data, bersama dengan optimasi AdamW untuk pelatihan stabilitas. Hasil riset menunjukkan bahwa model YOLOv8 yang ditingkatkan mencapai kecepatan akurasi 86,1% (map@0.5) dengan ukuran model yang padat sebesar 17,3 MB. Keluaran dari penelitian ini adalah aplikasi berbasis web yang mampu melakukan deteksi melalui gambar upload atau feed kamera real-time. Hasilnya memperlihatkan bahwa sistem yang berkembang ini dapat berfungsi sebagai solusi teknis yang efektif untuk membantu mengenali penyakit buah kakao yang cepat dan akurat.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,838
Tahun 2025 · Penulis: Teguh Efendi
Pengembangan Aplikasi Android Untuk Deteksi Kondisi Buah Kakao Berbasis Deep Learning Dengan Algoritma Yolo V8
Kakao (Theobroma cacao) merupakan salah satu komoditas perkebunan penting yang memiliki nilai ekonomi tinggi, khususnya sebagai bahan baku utama dalam industri cokelat dunia. Indonesia menempati urutan ke-12 sebagai eksportir kakao global dengan kontribusi seb
- Cosine 0,822
Tahun 2025 · Penulis: Siti Khoirun Nisak
Optimasi YOLOV8 Menggunakan Convnext-V2 dan Eca pada Deteksi Tingkat Kematangan Buah Kopi
Indonesia merupakan negara penghasil kopi terbesar keempat di dunia setelah Brasil, Vietnam, dan Kolombia, dengan produksi mencapai 758,7 ribu ton dan luas areal perkebunan sebesar 1.266,85 ribu hektar (BPS, 2023). Komoditas kopi memiliki peranan penting dalam
- Cosine 0,817
Tahun 2026 · Penulis: Muhammad Alviyo Zaki Athallah
Rancang Bangun Sistem Penghitung Telur Ayam Otomatis Menggunakan Algoritma YOLO Berbasis Iot Guna Meningkatkan Efisiensi Waktu Peternak
Pengelolaan pemanenan telur pada peternakan ayam petelur sistem umbaran (*free-range*) berskala kecil hingga menengah umumnya masih dilakukan secara manual, sehingga rentan terhadap kesalahan manusia (*human error*) dan menyulitkan peternak dalam memprediksi f