Electronic Theses and Dissertation

Cabai merupakan komoditas hortikultura yang memiliki nilai ekonomi tinggi dan menjadi salah satu tanaman yang banyak dibudidayakan di Indonesia. Meskipun demikian, produktivitas cabai masih sering mengalami penurunan akibat serangan berbagai penyakit yang dapat menurunkan kualitas maupun kuantitas hasil panen. Oleh karena itu, diperlukan metode deteksi yang mampu mengidentifikasi penyakit secara cepat dan akurat. Salah satu pendekatan yang dapat diterapkan adalah pemanfaatan pencitraan thermal yang dipadukan dengan metode deep learning. Citra thermal memiliki keunggulan dalam mendeteksi perubahan suhu pada tanaman sebagai respons terhadap infeksi sehingga memungkinkan identifikasi penyakit dilakukan sejak tahap awal tanpa merusak objek pengamatan (non-destructive). Penelitian ini menerapkan algoritma YOLOv8 untuk mendeteksi penyakit pada tanaman cabai berdasarkan citra thermal. Dataset yang digunakan berjumlah 2.000 citra yang diperoleh dari kebun cabai di Kecamatan Indrapuri dan dikelompokkan ke dalam empat kelas, yaitu bercak, kuning, keriting, dan sehat. Setelah proses pelatihan selesai, model dievaluasi menggunakan 148 citra uji yang memuat 216 instance objek. Hasil pengujian menunjukkan bahwa model mampu mencapai nilai mAP50 sebesar 84%, precision sebesar 74%, recall sebesar 76%, dan F1-score sebesar 75%. Berdasarkan hasil tersebut, metode yang diusulkan mampu mendeteksi penyakit pada tanaman cabai menggunakan citra thermal dengan performa yang baik sehingga berpotensi mendukung proses identifikasi penyakit secara lebih cepat dan efisien.

Chili is one of the horticultural commodities with significant economic value and is widely cultivated in Indonesia. However, chili productivity is often reduced due to various plant diseases that negatively affect both crop quality and yield. Therefore, an accurate and efficient disease detection method is required to support early diagnosis. One promising approach is the integration of thermal imaging with deep learning techniques. Thermal imaging enables the detection of temperature variations caused by plant infections, allowing diseases to be identified at an early stage through a non-destructive monitoring process. This study applies the YOLOv8 algorithm to detect diseases in chili plants using thermal images. The dataset consists of 2,000 thermal images collected from a chili plantation in Indrapuri and categorized into four classes: spot, yellow, curly, and healthy. After the training process, the model was evaluated using 148 test images containing 216 object instances. The experimental results achieved a mAP50 of 84%, precision of 74%, recall of 76%, and an F1-score of 75%. These findings indicate that the proposed approach is capable of detecting diseases in chili plants from thermal images with good performance and has the potential to support faster and more efficient early disease identification.