Electronic Theses and Dissertation

Budidaya jagung sangat penting di Asia Tenggara karena memberikan kontribusi signifikan terhadap ketahanan pangan dan perekonomian regional. Namun penyakit daun menimbulkan ancaman yang menyebabkan kerugian besar dalam produksi dan kualitas panen. Untuk mengatasi masalah ini, teknologi kecerdasan buatan (AI) dimanfaatkan untuk deteksi dini penyakit daun jagung. Salah satu pendekatan yang efektif adalah penggunaan model deteksi objek berbasis YOLO (You Only Look Once). Penelitian ini bertujuan untuk mengotomatiskan proses tuning hyperparameter pada model YOLO untuk deteksi penyakit daun jagung, dengan fokus pada peningkatan performa model. Melalui evaluasi cermat yang memanfaatkan metrik presisi, recall, mAP50, dan mAP50-95, penelitian ini mengidentifikasi YOLOv8m dan YOLO-NAS-L sebagai model dengan kinerja terbaik. YOLOv8m unggul dalam mAP50 (98,5%) dan mAP50-95 (67,8%), sedangkan YOLO-NAS-L menunjukkan kemampuan deteksi yang unggul dengan mAP50 (70,3%) dan mAP50-95 (38,9%). Temuan-temuan ini menggarisbawahi potensi sistem deteksi canggih berbasis AI dalam merevolusi pengelolaan tanaman, memfasilitasi identifikasi penyakit secara dini, dan memungkinkan tindakan pencegahan yang cepat. Dengan memanfaatkan model deteksi objek yang canggih, petani dapat meningkatkan hasil panen, mengurangi kerugian akibat penyakit tanaman, dan meningkatkan produktivitas pertanian. Penelitian ini memberikan landasan yang kuat untuk mengembangkan sistem deteksi penyakit yang terintegrasi dan terukur, yang memberikan dukungan penting bagi ketahanan pangan global dan kesejahteraan petani.

Corn cultivation is pivotal in Southeast Asia, significantly contributing to regional food security and economies. However, leaf diseases pose a threat, led to substantial losses in production and harvest quality. To tackle this issue, artificial intelligence (AI) technology is leveraged for early detection of corn leaf diseases. One of the effective approaches was tuning YOLO (You Only Look Once) based object detection models. This research aimed to automate the hyperparameter tuning process in YOLO models for corn leaf disease detection, focused on improving model performance. Through meticulous evaluation utilizing precision, recall, mAP50, and mAP50-95 metrics, the research identified YOLOv8m and YOLO-NAS-L as top-performing models. YOLOv8m excels in mAP50 (98.5%) and mAP50-95 (67.8%), while YOLO-NAS-L demonstrates superior detection capabilities with mAP50 (70.3%) and mAP50-95 (38.9%). The result found the potential of advanced AI-driven detection systems in revolutionizing crop management, facilitating early disease identification, and enabling prompt preventive measures. By leveraging sophisticated object detection models, farmers could be able to enhance crop yields, mitigate losses due to corn plant diseases, and boost agricultural productivity. The research laid a solid foundation for developing integrated and scalable disease detection system which offers crucial support for global food security and farmer welfare.