Implementasi YOLO11 dalam Deteksi Penyakit Tanaman Jagung

Rusti, Dila (2026) Implementasi YOLO11 dalam Deteksi Penyakit Tanaman Jagung. Diploma thesis, Universitas Islam Indragiri.

[thumbnail of DILA RUSTI.SKRIPSI 1 AWAL.pdf] Text
DILA RUSTI.SKRIPSI 1 AWAL.pdf

Download (674kB)
[thumbnail of DILA RUSTI.SKRIPSI-2_BAB I.pdf] Text
DILA RUSTI.SKRIPSI-2_BAB I.pdf

Download (113kB)
[thumbnail of DILA RUSTI.SKRIPSI-3 BAB II.pdf] Text
DILA RUSTI.SKRIPSI-3 BAB II.pdf

Download (216kB)
[thumbnail of DILA RUSTI.SKRIPSI-4 BAB III.pdf] Text
DILA RUSTI.SKRIPSI-4 BAB III.pdf

Download (369kB)
[thumbnail of DILA RUSTI.SKRIPSI-5 BAB IV.pdf] Text
DILA RUSTI.SKRIPSI-5 BAB IV.pdf
Restricted to Repository staff only

Download (1MB)
[thumbnail of DILA RUSTI.SKRIPSI-6 BAB V.pdf] Text
DILA RUSTI.SKRIPSI-6 BAB V.pdf

Download (87kB)
[thumbnail of DILA RUSTI.SKRIPSI-7 AKHIR.pdf] Text
DILA RUSTI.SKRIPSI-7 AKHIR.pdf

Download (1MB)
[thumbnail of TURNITIN SKRIPSI DILA RUSTI SI 30%.pdf] Text
TURNITIN SKRIPSI DILA RUSTI SI 30%.pdf

Download (3MB)

Abstract

Penyakit pada tanaman jagung dapat menurunkan produktivitas hasil panen sehingga diperlukan metode deteksi yang cepat dan akurat. Penelitian ini bertujuan mengembangkan model YOLO11 (You Only Look Once) untuk mendeteksi penyakit tanaman jagung berdasarkan citra daun dan batang. Dataset yang digunakan terdiri dari4.405 citra dengan lima kelas, yaitu Batang Busuk, Bercak Abu, Hawar Daun, Karat Daun, dan Sehat. Tahapan penelitian meliputi preprocessing, augmentasi data, pelabelan (annotation), pelatihan model, dan evaluasi menggunakan metrik precision, recall, mAP50, dan mAP50-95. Hasil penelitian menunjukkan bahwa model YOLO11 mampu mendeteksi penyakit tanaman jagung dengan baik. Nilai precision berada pada rentang 0,830– 0,940, recall 0,810–0,930, dan mAP50 0,850–0,890. Pada uji perbandingan, YOLO11 memperoleh akurasi sebesar 87%, lebih tinggi dibandingkan YOLOv8 sebesar 75,5% dan YOLOv5 sebesar 70%. Hasil tersebut menunjukkan bahwa YOLO11 efektif digunakan untuk deteksi penyakit tanaman jagung secara otomatis dan berpotensi diterapkan pada sistem pertanian cerdas berbasis computer vision

Item Type: Thesis (Diploma)
Uncontrolled Keywords: YOLO11, deteksi penyakit jagung, deep learning, computer vision, object detection
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi
Depositing User: Nilam Sari
Date Deposited: 17 Sep 2026 08:44
Last Modified: 17 Sep 2026 08:44
URI: http://repository.unisi.ac.id/id/eprint/1152

Actions (login required)

View Item View Item