| dc.description.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. | en_US |
