Publisher

STTMCILEUNGSISTTMCILEUNGSI

Journal TEKNOSAINS : Jurnal Sains, Teknologi dan InformatikaTEKNOSAINS : Jurnal Sains, Teknologi dan Informatika Abstract

Beras adalah makanan pokok global, namun produktivitasnya sering terancam oleh penyakit seperti blast dan bercak coklat. Metode diagnostik tradisional yang bergantung pada pengamatan manusia rentan terhadap keterlambatan dan ketidakakuratan. Studi ini memperkenalkan sistem deteksi otomatis yang menggunakan YOLOv11-seg untuk meningkatkan akurasi dan efisiensi identifikasi penyakit beras. Model ini mengintegrasikan deteksi objek dan segmentasi instans, dilatih pada lebih dari 6.000 gambar yang telah diberi label dengan enam kategori (lima jenis penyakit dan daun sehat), dan memanfaatkan transfer learning dari bobot COCO. Hasil eksperimen menunjukkan bahwa model mencapai mAP@50 bounding box sebesar 0,607 dan mAP@50 segmentasi sebesar 0,564, dengan skor F1 sebesar 0,62 dan 0,59 masing-masing. Akurasi deteksi tertinggi dicatat untuk daun sehat (86%), sementara kinerja segmentasi menurun pada kelas yang mirip secara visual seperti Bercak Coklat dan Blast Batang. Overfitting diamati selama pelatihan, dengan selisih 15-20% antara metrik pelatihan dan validasi. Temuan ini menunjukkan potensi model untuk aplikasi lapangan real-time dalam pertanian presisi. Perbaikan masa depan harus fokus pada peningkatan akurasi spasial dan ketangguhan melalui generasi data sintetik dan optimisasi arsitektur.

Conclusion

Model YOLOv11-seg berhasil meningkatkan akurasi deteksi penyakit daun beras dengan integrasi deteksi bounding box dan segmentasi instans.Meskipun mencapai hasil yang baik pada kategori daun sehat dan Blast, masih terdapat tantangan dalam mengelola kelas yang ambigu secara visual dan kurangnya sampel.Model ini menunjukkan potensi untuk penerapan lapangan, tetapi perlu peningkatan dalam mengatasi ketidakseimbangan kelas, overfitting, dan keterbatasan segmentasi pada lesi yang tidak jelas.Rekomendasi masa depan mencakup penggunaan data sintetik, optimisasi arsitektur, dan teknik post-processing untuk meningkatkan kinerja.

Future Research

Penelitian lanjutan dapat mengembangkan pendekatan generasi data sintetik menggunakan model diffusion untuk meningkatkan representasi kelas yang kurang mewakili seperti Bercak Coklat. Selain itu, eksplorasi arsitektur hybrid ViT-YOLO untuk memperbaiki pemodelan dependensi jarak jauh pada lesi yang tumpang tindih menjadi arah penting. Penerapan teknik kompresi model seperti pruning dan quantization juga diperlukan untuk memungkinkan inferensi real-time di perangkat edge. Penelitian ini dapat menggabungkan pendekatan multi-modal dengan data citra dan data lingkungan untuk meningkatkan akurasi diagnosis. Pengembangan algoritma post-processing berbasis Conditional Random Fields (CRF) untuk memperbaiki mask segmentasi pada batas lesi menjadi prioritas utama. Penelitian juga perlu mengevaluasi efektivitas model dalam kondisi lingkungan yang beragam untuk memastikan generalisasi yang baik. Kajian tentang pengaruh ukuran batch dan strategi pembelajaran adaptif terhadap overfitting dapat memberikan wawasan baru. Pemanfaatan teknologi edge computing untuk mengurangi latency dalam deteksi lapangan menjadi area yang layak dieksplorasi. Akhirnya, kolaborasi dengan petani dan ahli pertanian untuk validasi praktis model menjadi kunci keberhasilan penerapan teknologi.

References

1. Real-time Identification of Rice Leaf Diseases using Convolutional Neural Networks | International Journal... computingonline.net/computing/article/view/3773Real time Identification of Rice Leaf Diseases using Convolutional Neural Networks International Journal computingonline computing article view 3773
2. Vol 13 No 1 (2026): TEKNOSAINS: Jurnal Sains, Teknologi dan Informatika | TEKNOSAINS : Jurnal Sains,... doi.org/10.37373/tekno.v13i1Vol 13 No 1 2026 TEKNOSAINS Jurnal Sains Teknologi dan Informatika TEKNOSAINS Jurnal Sains doi 10 37373 tekno v13i1
3. A Relation-Oriented Clustering Method for Open Relation Extraction - ACL Anthology. relation oriented... aclanthology.org/2021.emnlp-main.765A Relation Oriented Clustering Method for Open Relation Extraction ACL Anthology relation oriented aclanthology 2021 emnlp main 765
4. "A novel hybrid deep learning framework for enhanced segmentation of rice leaf diseases using attention-driven... doi.org/10.55214/25768484.v8i6.2167A novel hybrid deep learning framework for enhanced segmentation of rice leaf diseases using attention driven doi 10 55214 25768484 v8i6 2167

Metadata

File size	385.17 KB
Pages	8
DMCA	Report