IMPLEMENTASI AUGMENTASI PADA MODEL YOLO11 UNTUK PENINGKATAN AKURASI DETEKSI DAN KLASIFIKASI HAMA POTATO BEETLE PADA TANAMAN KENTANG

Ady Yoga Pratama, Ady Yoga Pratama (2026) IMPLEMENTASI AUGMENTASI PADA MODEL YOLO11 UNTUK PENINGKATAN AKURASI DETEKSI DAN KLASIFIKASI HAMA POTATO BEETLE PADA TANAMAN KENTANG. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_57201_2213030024.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030024_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030024_0712108103_0713018402_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (385kB)
	Text (BAB 2) RAMA_57201_2213030024_0712108103_0713018402_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (265kB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030024_0712108103_0713018402_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (237kB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030024_0712108103_0713018402_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (984kB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030024_0712108103_0713018402_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (9kB) | Request a copy
	Text (References) RAMA_57201_2213030024_0712108103_0713018402_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (144kB)
	Text (Lampiran) RAMA_57201_2213030024_0712108103_0713018402_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (320kB) | Request a copy

Abstract

Kentang merupakan komoditas hortikultura bernilai ekonomi tinggi yang tingkat produksinya sering terhambat oleh serangan hama potato beetle. Proses identifikasi hama secara manual oleh petani dinilai tidak efektif, memakan waktu, dan rentan terhadap kesalahan pengamatan, sehingga memerlukan kehadiran sistem deteksi otomatis berbasis kecerdasan buatan. Penelitian terdahulu yang menggunakan arsitektur YOLOv8 telah berhasil melakukan deteksi awal, namun masih memiliki keterbatasan serius pada tingkat akurasi lokasi objek berukuran kecil yang ditunjukkan dengan rendahnya nilai evaluasi mAP50-95. Penelitian ini bertujuan untuk mengoptimasi model deteksi objek terbaru, yakni YOLO11, guna meningkatkan akurasi deteksi dan klasifikasi hama potato beetle pada citra tanaman kentang. Pendekatan metodologi yang digunakan adalah CRISP-DM (CrossIndustry Standard Process for Data Mining) yang mencakup tahapan pemahaman bisnis, pemahaman data, transformasi data, pemodelan, evaluasi, hingga tahap simulasi implementasi. Pelatihan model dilakukan menggunakan 1.810 citra digital yang telah diformat dalam resolusi 640x640 piksel dan melalui proses augmentasi untuk meningkatkan ketahanan model terhadap variasi pencahayaan dan posisi di lapangan. Hasil pengujian membuktikan bahwa model YOLO11m yang dikembangkan memberikan peningkatan performa yang signifikan jika dibandingkan dengan model baseline YOLOv8 dari penelitian terdahulu. Model YOLO11m berhasil mencapai tingkat performa dengan nilai Precision sebesar 0,87, Recall sebesar 0,85, mAP50 sebesar 0,89, dan mAP50-95 sebesar 0,44. Peningkatan metrik evaluasi yang ketat tersebut mengonfirmasi bahwa integrasi mekanisme self-attention pada modul C2PSA dan efisiensi blok C3k2 sangat efektif dalam mendeteksi dan mengunci lokasi presisi objek hama yang berukuran sangat kecil. Secara keseluruhan, algoritma YOLO11 terbukti valid, sangat tangguh terhadap perubahan skala visual akibat jarak kamera, dan berhasil memenuhi ekspektasi otomasi deteksi hama. Meskipun demikian, penelitian ini masih memiliki batasan karena sebatas pada implementasi perangkat lunak simulasi (Streamlit) dan mengandalkan dataset publik. Untuk pengembangan penelitian selanjutnya, disarankan agar model deteksi ini diintegrasikan secara langsung ke dalam perangkat keras pemantauan visual real-time seperti drone dan dilakukan penyetelan parameter untuk terus menekan angka deteksi palsu (false positive).

Actions (login required)

View Item