Sistem Deteksi Penyakit Menular pada Selada Menggunakan Algoritma YOLO

Hanum, Lathifah (2026) Sistem Deteksi Penyakit Menular pada Selada Menggunakan Algoritma YOLO. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) COVER DAN ABSTRAK.pdf - Published Version Download (246kB)
	Text (BAB I) BAB I.pdf - Published Version Download (314kB)
	Text (BAB V) BAB V.pdf - Published Version Download (178kB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Published Version Download (197kB)
	Text (Full Text) FULL SKRIPSI_LATHIFAH HANUM_2111512014.pdf - Published Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Tanaman selada rentan terhadap penyakit menular seperti bercak daun mata katak dan embun tepung, yang dapat menyebar ke tanaman di sekitarnya dan menurunkan produktivitas panen. Pemantauan manual terhadap tanaman selada memakan waktu, terutama di lahan budidaya yang luas. Penelitian ini mengembangkan sistem deteksi penyakit selada otomatis berbasis kamera menggunakan YOLOv8s dan Raspberry Pi 4. Sistem ini mengintegrasikan kamera USB, sensor cahaya BH1750, mekanisme aktuator berbasis rel, dan Telegram Bot untuk mendukung pengambilan gambar otomatis, deteksi penyakit, penyimpanan hasil, serta pengiriman notifikasi. Sebanyak 582 gambar selada yang mencakup tiga kelas, yaitu Mata Kodok, Embun Tepung, dan Sehat, dikumpulkan dan diberi anotasi menggunakan Roboflow. Dataset tersebut diproses terlebih dahulu, diperluas, dan dibagi menjadi set pelatihan, validasi, dan pengujian. Model YOLOv8s dilatih selama 100 epoch dengan ukuran gambar 512 × 512 piksel dan ukuran batch 16. Proses pelatihan mencapai precision 77%, recall 79%, mAP@50 sebesar 81%, dan mAP@50-95 sebesar 55%. Pengujian lapangan menggunakan 108 sampel tanaman menghasilkan akurasi keseluruhan sebesar 82,4%. Pengujian lanjutan menunjukkan bahwa ambang batas pencahayaan sebesar 300 lux dan jarak kamera sekitar 56 cm merupakan kondisi pengoperasian yang sesuai. Sistem ini berhasil melakukan pengambilan gambar otomatis, deteksi penyakit, penyimpanan hasil, serta pengiriman pemberitahuan melalui Telegram. Hasil-hasil ini menunjukkan kelayakan penggunaan sistem YOLOv8s berbasis Raspberry Pi untuk deteksi otomatis penyakit selada di lingkungan rumah kaca.

Actions (login required)

View Item