Deteksi Tumbuh Kembang Daun Selada Keriting Menggunakan YOLO dan Mask R-CNN

Desantho, Yohanes Krisna (2026) Deteksi Tumbuh Kembang Daun Selada Keriting Menggunakan YOLO dan Mask R-CNN. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (444kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (475kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (644kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf Restricted to Registered users only Download (6MB) | Request a copy

Abstract

Selada keriting merupakan komoditas hortikultura yang banyak dibudidayakan karena memiliki nilai ekonomi yang tinggi. Namun, proses pemantauan kondisi tanaman, seperti identifikasi fase pertumbuhan, kesiapan panen, dan kerusakan daun masih banyak dilakukan secara manual sehingga kurang efisien. Penelitian ini bertujuan mengembangkan sistem deteksi tumbuh kembang daun selada keriting berbasis website menggunakan algoritma YOLO untuk klasifikasi kondisi tanaman dan Mask R-CNN untuk segmentasi area kerusakan daun. Dataset yang digunakan terdiri dari 460 citra, meliputi 405 citra primer dan 55 citra sekunder. Untuk pelatihan Mask R-CNN digunakan 170 citra yang terdiri dari 121 citra daun rusak dan 49 citra penyakit mata kodok. Tahapan penelitian meliputi preprocessing, anotasi data, augmentasi citra, pelatihan model, evaluasi performa, dan implementasi sistem berbasis website menggunakan Laravel, React, Inertia.js, Flask, dan Docker. Hasil penelitian menunjukkan bahwa model YOLO terbaik diperoleh pada Test 7 dengan nilai F1-score sebesar 0,92, recall sebesar 0,921, precision sebesar 0,862, dan mAP50 sebesar 0,963. Model Mask R-CNN terbaik diperoleh pada Test 6 dengan nilai AP segmentasi sebesar 43,779 dan AP50 sebesar 70,474. Hasil validasi oleh pakar menunjukkan bahwa sistem mampu mendeteksi kondisi tanaman sesuai dengan kondisi sebenarnya dilapangan. Berdasarkan hasil penelitian, kombinasi YOLO dan Mask R-CNN mampu mendeteksi kondisi tanaman selada keriting serta melakukan segmentasi area kerusakan daun dengan baik. Sistem yang dikembangkan berpotensi membantu petani dalam melakukan monitoring tanaman secara lebih efektif dan efisien.

Actions (login required)

View Item