Implementasi Algoritma YOLOv9 untuk Deteksi Penyakit Daun pada Tanaman Kedelai (Glycine max L.)

Abstract

Kedelai (Glycine max L.) merupakan salah satu komoditas pangan strategis sebagai sumber protein dan minyak nabati. Namun, tingkat produktivitas kedelai di Indonesia masih relatif rendah akibat serangan penyakit daun yang sulit dikenali secara manual. Penelitian ini bertujuan mengimplementasikan algoritma deep learning YOLOv9 untuk deteksi dini penyakit daun kedelai secara otomatis. Ruang lingkup penelitian mencakup deteksi empat jenis penyakit daun kedelai, meliputi karat daun, pustul bakteri, embun bulu, bercak target, dan daun sehat sebagai pembanding. Penelitian menggunakan dataset awal sebanyak 1.500 citra dari open- source. Model dilatih menggunakan arsitektur YOLOv9 dengan konfigurasi 30 epoch serta divalidasi menggunakan metode 5-fold cross-validation untuk memastikan kestabilan performa. Hasil evaluasi menunjukkan kinerja yang sangat baik dengan nilai precision mencapai 88,3%, recall sebesar 97,4%, accuracy sebesar 84,7%, F1-Score sebesar 92,6%, mAP50 sebesar 97,6%, dan mAP50-95 sebesar 90,6% setelah epoch 30, mengindikasikan kemampuan deteksi objek yang optimal. Model terbaik kemudian diintegrasikan ke dalam sistem berbasis web menggunakan framework Streamlit yang menyediakan fitur deteksi melalui upload gambar dan kamera secara real-time. Hasil pengujian sistem menunjukkan tingkat confidence mencapai 93,4% pada mode upload gambar dan sekitar 61% pada mode real-time. Dengan demikian, sistem yang dikembangkan mampu menjadi alat bantu yang efektif dalam mendeteksi penyakit daun kedelai secara cepat dan akurat di lapangan.