Electronic Theses and Dissertation

Abstrak – penyakit phytophthora dan monilia merupakan dua patogen utama yang menyerang tanaman cocoa dan menyebabkan kerugian ekonomi yang signifikan. deteksi dini terhadap penyakit ini sangat penting untuk mengurangi dampak kerugian dan meningkatkan hasil produksi cocoa. penelitian ini menggunakan arsitektur you only look once (yolo), yaitu yolov5 dan yolov8, untuk mendeteksi buah cocoa yang terinfeksi phytophthora dan monilia. yolo dikenal dengan performanya yang unggul dalam mendeteksi objek secara real-time dan efisien. dataset penelitian diperoleh dari kaggle yang berisi gambar buah cocoa yang telah diberi label dan anotasi. proses pelatihan dilakukan menggunakan convolutional neural network (cnn) untuk mengklasifikasikan dan mendeteksi buah cocoa yang terinfeksi. hasil penelitian menunjukkan bahwa baik yolov5 maupun yolov8 mampu mendeteksi buah yang terinfeksi dengan tingkat akurasi yang tinggi. yolov5 dengan learning rate 10-2 dan batch size 16 menghasilkan kinerja terbaik dengan nilai precision 0,923, recall 0,941, dan map 0,957. confidence score hasil pengujian juga menunjukkan nilai lebih dari 0,90. penelitian ini membuktikan bahwa pendekatan menggunakan yolov5 dan yolov8 efektif untuk deteksi dini penyakit pada tanaman cocoa, sehingga diharapkan dapat membantu meningkatkan produktivitas dan mengurangi kerugian ekonomi akibat serangan patogen. kata kunci: cocoa, phytophthora, monilia, convolutional neural network, yolov5 dan yolov8

Abstract - Phytophthora and Monilia diseases are two major pathogens that attack cocoa plants, causing significant economic losses. Early detection of these diseases is crucial to mitigate the impact of losses and improve cocoa production. This study employs the You Only Look Once (YOLO) architecture, specifically YOLOv5 and YOLOv8, to detect cocoa fruits infected by Phytophthora and Monilia. YOLO is renowned for its outstanding performance in real-time and efficient object detection. The research dataset was obtained from kaggle and consists of labeled and annotated images of cocoa fruits. The training process utilized a Convolutional Neural Network (CNN) to classify and detect infected cocoa fruits. The results show that both YOLOv5 and YOLOv8 successfully detect infected fruits with high accuracy. YOLOv5, with a learning rate of 10−2 and a batch size of 16, achieved the best performance with a precision of 0.923, recall of 0.941, and mAP of 0.957. The confidence scores in the test results also exceeded 0.90. This study demonstrates that the approach using YOLOv5 and YOLOv8 is effective for the early detection of diseases in cocoa plants. It is expected to help enhance productivity and reduce economic losses caused by pathogen attacks. Keywords : cocoa, Phytophthora, Monilia, convolutional neural network, YOLOv5 dan YOLOv8