Perbandingan Deep Learning YOLOv5 dan YOLOv8 Untuk Deteksi Penyakit Daun Tanaman Tomat
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Pertanian merupakan salah satu penunjang perekonomian negara, khususnya sub-sektor hortikultura seperti buah dan sayur. Tanaman tomat menjadi salah satu komoditas unggulan. Namun kegagalan budidaya tanaman tomat karena banyaknya jenis penyakit yang ada masih menjadi kendala dan mengganggu pertumbuhan tanaman, mengurangi hasil panen, dan bahkan menyebabkan kematian tanaman tomat. Penelitian ini bertujuan untuk mendeteksi penyakit daun tanaman tomat dengan membandingkan kinerja kedua model YOLOv5 dan YOLOv8. Tujuan membandingkan model adalah untuk menentukan tingkat akurasi dan dapat menyimpulkan versi YOLO yang memberikan tingkat akurasi yang lebih baik dengan harapan dapat membantu dalam menentukan metode mana yang paling tepat dan sesuai dengan kebutuhan. Hasil penelitian menunjukkan kedua model YOLOv5m dan YOLOv8m memberikan kinerja yang sangat baik dalam mendeteksi. Kedua model menunjukkan nilai presisi, recall, dan mAP yang tinggi. YOLOv8m lebih mampu mendeteksi semua objek yang ada dalam gambar dimana nilai presisi lebih unggul dibanding YOLOv5m. YOLOv8m lebih unggul dalam presisi dengan nilai 0.95% selisih 0.02% dengan YOLOv5m dan mAP50:95 yaitu 0.92% selisih 0.02% dengan YOLOv5m yang berarti bahwa YOLOv8m lebih baik dalam mengidentifikasi objek dengan sangat tepat dan objek dengan berbagai ukuran, namun YOLOv8m membutuhkan waktu pelatihan sedikit lebih lama dibanding YOLOv5m. YOLOv8m lebih mampu mendeteksi semua objek yang ada dalam gambar dimana nilai presisi lebih unggul 0.02% dibanding YOLOv5m
Rincian Artikel
Referensi
[2] B. Erwanto and D. H. , Afu Ichsan Pradana, “Pengembangan Sistem Deteksi Penyakit Tanaman Tomat Melalui Citra Daun dengan Metode You Only Look Once (YOLO) Berbasis Android,” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 1453–1463, 2024.
[3] A. N. Mendrofa, N. Gea, and K. Gea, “PENGARUH PUPUK ORGANIK AMPAS KELAPA TERHADAP PERTUMBUHAN TANAMAN TOMAT ( Lycopersicum E sculentum Mill ),” Sapta Agrica, vol. 2, no. 1, pp. 36–49, 2023.
[4] BPS, “Latto Lattomat,” 2023.
[5] G. Henry, A. Panjaitan, and F. Simatupang, “Pemodelan Klasifikasi Penyakit Daun Tanaman Tomat dengan Convolutional Neural Network Algorithm,” Kaji. Ilm. Inform. dan Komput., vol. 4, no. 5, pp. 2667–2675, 2024.
[6] D. Setiawan and T. W. E. Suryawijaya, “ALGORITMA RESNET152V2 DALAM MELAKUKAN KLASIFIKASI PENYAKIT PADA DAUN TOMAT,” J. Comput. Sci. Technol., vol. 3, no. 2, pp. 37–42, 2023.
[7] A. M. N. Rohma, “Diagnosa Penyakit Tanaman Tomat pada Citra Daun Menggunakan Metode Convolutional Neural Network (CNN),” JIMU J. Ilm. Multi Disiplin, vol. 02, no. 03, pp. 555–567, 2024.
[8] A. W. Putri, “IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) BACKPROPAGATION UNTUK KLASIFIKASI JENIS PENYAKIT PADA DAUN TANAMAN TOMAT,” J. Ilm. Mat., vol. 09, no. 02, pp. 344–350, 2021.
[9] J. R. Yasiri, R. Prathivi, and Susanto, “Detection of Plastic Bottle Waste Using YOLO Version 5 Algorithm,” J. dan Penelit. Tek. Inform., vol. 9, no. 1, pp. 20–30, 2025.
[10] E. Naufal and D. Tanadi, “Sistem Pendeteksi Penyakit Kanker Kulit Menggunakan Convolutional Neural Network Arsitektur YOLOv8 Berbasis Website,” Neptunus J. Ilmu Komput. dan Teknol. Inf., vol. 2, no. 3, 2024.
[11] J. Jonathan and D. Hermanto, “Penentuan Epochs Hasil Model Terbaik : Studi Kasus Algoritma YOLOv8,” Digit. Transform. Technol. ( Digit. ), no. September, 2024.
[12] D. Hafidzulrahman, Perbandingan Algoritma You Only Look Once ( YOLO ) versi 5 dan versi 8 sebagai Object Detection pada Pendeteksian Hilal. 2024.
[13] M. I. Mauladany, B. Fatkhurrozi, and R. A. Wibowo, “Deteksi Penyakit Daun Durian dengan Algoritma YOLO (You Only Look Once),” Aviat. Electron. Inf. Technol. Telecommun. Electr. Control., vol. 6, no. 1, p. 73, 2024.
[14] D. G. Manurung et al., “Deteksi Dan Klasifikasi Hama Potato Beetle Pada Tanaman Kentang Menggunakan YOLOV8,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 4, pp. 723–734, 2024.
[15] L. S. Riva and Jayanta, “Deteksi Penyakit Tanaman Cabai Menggunakan Algoritma YOLOv5 Dengan Variasi Pembagian Data,” J. Pengemb. IT(JPIT), vol. 8, no. 3, pp. 248–254, 2023.
[16] R. Hesananda, I. A. Noviani, and M. Zulfariansyah, “Implementasi YOLOv5 untuk Deteksi Objek Mesin EDC : Evaluasi dan Analisis,” J. Teknol. Inf. dan Rekayasa Komput., vol. 5, no. 2, pp. 104–110, 2024.
[17] S. Fatimah and T. Ardiansah, “Kombinasi Metode MOORA dan Rank Order Centroid dalam Sistem Pendukung Keputusan Pemilihan Supplier Produk Sepatu,” Kaji. Ilm. Inform. dan Komput., vol. 5, no. 1, pp. 28–38, 2024.
[18] F. H. Arby, I. Husni, and A. Amin, “Implementation of YOLO-v5 for a real-time Social Distancing Detection,” J. Appl. Informatics Comput., vol. 6, no. 1, pp. 1–6, 2022.
[19] E. Casas, L. Ramos, E. Bendek, and F. Rivas-Echeverria, “YOLOv5 vs. YOLOv8: Performance Benchmarking in Wildfire and Smoke Detection Scenarios,” J. Image Graph., vol. 12, no. 2, pp. 127–136, 2024.
[20] I. P. Sary, S. Andromeda, and E. U. Armin, “Performance Comparison of YOLOv5 and YOLOv8 Architectures in Human Detection using Aerial Images,” Ultim. Comput. J. Sist. Komput., vol. 15, no. 1, pp. 8–13, 2023.
[21] G. V. Agustin, M. Ayub, and S. L. Liliawati, “Deteksi dan Klasifikasi Tingkat Keparahan Jerawat : Perbandingan Metode You Only Look Once,” J. Tek. Inform. dan Sist. Inf., vol. 10, pp. 468–481, 2024.