Deteksi Area Penyakit Jambu Biji menggunakan YOLOv8 dan K-Means Clustering

Naufal Hesti; Adi Prihandono

doi:10.26623/transformatika.v23i2.13234

Penulis

Naufal Hesti Universitas Dian Nuswantoro
Adi Prihandono Universitas Dian Nuswantoro

DOI:

https://doi.org/10.26623/transformatika.v23i2.13234

Kata Kunci:

Penyakit Jambu Biji, Yolov8, Pengelompokan K-Means, Deteksi Objek, Pemantauan Waktu Nyata

Abstrak

Produktivitas tanaman jambu biji (Psidium guajava L.) menghadapi ancaman yang cukup serius akibat serangan penyakit seperti Phytophthora, Scab, dan Styler End Rot. Deteksi dini merupakan hal yang penting untuk mencegah kerugian ekonomi, namun metode berbasis CNN yang ada saat ini seringkali memiliki keterbatasan dalam melokalisasi area infeksi secara akurat. Penelitian ini mengusulkan sistem deteksi terintegrasi yang memanfaatkan algoritma YOLOv8 untuk deteksi objek secara real-time dan K-Means Clustering untuk segmentasi pasca-pemrosesan (post-processing). Model dilatih menggunakan arsitektur YOLOv8s pada dataset sebanyak 600 citra dengan pembagian data latih, validasi, dan uji sebesar 50:40:10. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai nilai Mean Average Precision (mAP50-95) yang tinggi sebesar 0.891 pada data uji. Hasil ini menunjukkan konsistensi yang kuat dengan hasil validasi (0.894), yang mengindikasikan kemampuan generalisasi model yang baik tanpa mengalami overfitting. Waktu inferensi rata-rata tercatat sebesar 26.1 ms, yang menegaskan kelayakan model ini untuk aplikasi real-time. Selain itu, metode K-Means clustering terbukti efektif dalam melakukan segmentasi area terinfeksi di dalam bounding box, memberikan analisis visual yang lebih jelas terkait tingkat keparahan penyakit.

Unduhan

Data unduhan tidak tersedia.

Referensi

[1] F. S. Anam, M. R. Muttaqin, and Y. R. Ramadhan, JOINTECS Klasifikasi Penyakit Pada Daun dan Buah Jambu Menggunakan, JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 7, no. 1, pp. 6–8, 2026.

[2] N. Rimpy, Surender verma, Ajay kumar, priyanka, A Comprehenssive Review On Guava Plant ; Nutritional Composition , Potential Pharmacological Activities, J. Neonatal Surg., vol. 14, no. 32, pp. 1127–1145, 2025.

[3] M. R. Shihab et al., Image dataset for classification of diseases in guava fruits and leaves, Data Br., vol. 59, p. 111378, 2025, doi: 10.1016/j.dib.2025.111378.

[4] S. B. Gowdar, Y. Pampanna, and U. Nidoni, Influence of Weather Parameters on the Incidence and Severity of Guava Scab Caused by Pestalotiopsis psidii ( Pat .), Int. J. Environ. Clim. Chang., vol. 13, no. 11, pp. 4673–4682, 2023, doi: 10.9734/IJECC/2023/v13i113646.

[5] M. Arif, K. Majid, D. Ariatmanto, M. Informatika, and U. A. Yogyakarta, Analisis Perbandingan Kinerja Model YOLO11 dan YOLOv8 dalam Identifikasi Penyakit pada Daun Tomat, Bangkit Indones., vol. 14, no. 02, pp. 63–72, 2025, doi: 10.52771/bangkitindonesia.v14i2.459.

[6] M. Yaseen, What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector, vol. 8, pp. 1–10, 2024, [Online]. Available: http://arxiv.org/abs/2409.07813

[7] A. Raj et al., YOLO-ODD : an improved YOLOv8s model for onion foliar disease detection, no. May, pp. 1–18, 2025, doi: 10.3389/fpls.2025.1551794.

[8] E. J. Haidar Ahmad Fajri, Safrizal Ardana Ardiyansa, Segmentasi Citra Daun Tomat Berpenyakit dengan Metode K-Means Clustering pada Ruang Warna HSV, Indones. J. Comput. Sci., vol. 14, no. 2, pp. 3001–3013, 2025, doi: https://doi.org/10.33022/ijcs.v14i2.4685.

[9] A. S. Siti Choiriyah, Perbandingan Deep Learning YOLOv5 dan YOLOv8 Untuk Deteksi Penyakit Daun Tanaman Tomat, J. Ilm. Teknol. Sist. Inf., vol. 6, no. March, 2025, doi: 10.62527/jitsi.6.1.357.

[10] G. A. Artanto et al., IMPLEMENTASI YOLOV8 PADA SISTEM DETEKSI PENYAKIT IKAN MAS KOKI MENGGUNAKAN RASPBERRY PI5, JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 3, 2025, doi: https://doi.org/10.23960/jitet.v13i3.6770.