DETEKSI DAN KLASIFIKASI PENYAKIT PADA DAUN KENTANG DENGAN PENDEKATAN WATERSHED-IMPROVED SEGMENTATION DAN ALGORITMA YOLOv8

Kartika Sari, - (2025) DETEKSI DAN KLASIFIKASI PENYAKIT PADA DAUN KENTANG DENGAN PENDEKATAN WATERSHED-IMPROVED SEGMENTATION DAN ALGORITMA YOLOv8. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK - KARTIKA SARI.pdf Download (186Kb) | Preview
	File PDF 2. SKRIPSI FULL - KARTIKA SARI.pdf Restricted to Hanya staf Download (5Mb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA BAB PEMBAHASAN - KARTIKA SARI.pdf Download (2851Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Kentang (Solanum tuberosum L.) merupakan komoditas pangan strategis yang berkontribusi besar terhadap ketahanan pangan. Namun, produktivitasnya sering terhambat oleh penyakit daun yaitu late blight dan early blight, yang dapat menyebabkan gagal panen hingga 100% jika tidak dideteksi secara dini. Deteksi penyakit secara manual memiliki keterbatasan, sehingga pendekatan otomatis berbasis deep learning menjadi solusi potensial. Penelitian ini bertujuan untuk mengevaluasi pengaruh metode watershed-improved segmentation sebagai tahap praproses terhadap performa YOLOv8 dalam mendeteksi dan mengklasifikasikan penyakit daun kentang. Penelitian ini membangun dua model YOLOv8: model segmentasi dan non-segmentasi, dengan pelatihan menggunakan dataset PlantVillage dan pengujian pada data uji internal serta eksternal (dataset PLD). Segmentasi berbasis morphological gradient diterapkan untuk memperjelas objek daun sebelum proses deteksi. Evaluasi dilakukan dalam empat skenario pengujian untuk mengukur akurasi dan efisiensi komputasi. Hasil menunjukkan bahwa model segmentasi mencapai akurasi tertinggi 70.51% saat diuji pada dataset PLD, lebih baik dibandingkan model non-segmentasi dan model Rashid et al. (2021) yang hanya mencapai 48.89% pada skenario yang sama. Waktu inferensi model segmentasi sebesar 365.50 detik pada dataset PLD, sedikit lebih tinggi dari model non-segmentasi yaitu 339.27 detik, dengan selisih waktu 26.23 detik. Penerapan segmentasi terbukti meningkatkan akurasi deteksi dengan tambahan waktu komputasi yang masih dapat diterima. Kata Kunci: Daun Kentang; Deep learning; Deteksi berbasis citra; Klasifikasi penyakit tanaman; Watershed-improved segmentation; YOLOv8. ABSTRACT DETECTION AND CLASSIFICATION OF POTATO LEAF DISEASE WITH WATERSHED-IMPROVED SEGMENTATION APPROACH AND YOLOv8 ALGORITHM By KARTIKA SARI Potato (Solanum tuberosum L.) is a strategic food commodity that contributes greatly to food security. However, its productivity is often hampered by late blight and early blight, which can cause up to 100% crop failure if not detected early. Manual disease detection has limitations, so an automated approach based on deep learning is a potential solution. This study aims to evaluate the effect of the watershed-improved segmentation method as a preprocessing stage on the performance of YOLOv8 in detecting and classifying potato leaf diseases. This research builds two YOLOv8 models: segmentation and non-segmentation models, with training using the PlantVillage dataset and testing on internal and external test data (PLD dataset). Morphological gradient-based segmentation was applied to clarify leaf objects before the detection process. Evaluation was conducted in four test scenarios to measure accuracy and computational efficiency. Results show that the segmentation model achieved the highest accuracy of 70.51% when tested on the PLD dataset, better than the non-segmentation model and the model of Rashid et al. (2021) model which only achieved 48.89% in the same scenario. The inference time of the segmentation model was 365.50 seconds, slightly higher than the non-segmentation model (339.27 seconds), with a time difference of 26.23 seconds. The application of segmentation is proven to improve detection accuracy with acceptable additional computation time. Keywords: Deep learning, Image detection; Plant disease classification; Potato Leaves; YOLOv8; Watershed-improved segmentation.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	UPT . Ery Elyasari
Date Deposited:	29 Oct 2025 04:11
Terakhir diubah:	29 Oct 2025 04:11
URI:	http://digilib.unila.ac.id/id/eprint/92294

Actions (login required)

Lihat Karya Akhir