Object Detection pada Citra Jenis Hama Tanaman Padi Menggunakan Algoritma Yolov7

Abstract

Lebih dari 50% kerugian pada hasil pertanian di Indonesia disebabkan oleh serangan hama. Hal ini berpotensi menyebabkan penurunan kualitas dan kuantitas hasil panen pada tanaman padi, bahkan sampai mengakibatkan gagal panen. Penggunaan pestisida yang berlebihan untuk mengatasi hama sering kali mencemari lingkungan dan menimbulkan masalah kesehatan. Oleh karena itu, diperlukan metode yang lebih efisien dan ramah lingkungan untuk mendeteksi dan mengendalikan hama pada tanaman padi. Penelitian ini bertujuan untuk menerapkan metode YOLOv7 dengan sejumlah hyperparameter yang di tuning dalam mendeteksi jenis hama serangga pada citra tanaman padi. Dataset yang digunakan terdiri dari 5 kelas, yaitu Belalang, Hispa Padi, Penggerek Batang Padi, Ulat Grayak, dan Wereng Hijau. Hasil penelitian menunjukkan bahwa model yang sudah dilatih menghasilkan rata-rata akurasi sebesar 89,26%, Precision 89,74%, Recall 89,74%, F1-score 89,8%, mAP@0.5 86,32%, dan mAP@0.5:.95 60,86% untuk seluruh kelas pada skenario cross-validation k=5. Model terbaik diperoleh dari fold3 (iterasi ke-4) dengan performa akurasi sebesar 98,8%, Precision 98,8%, Recall 99%, F1-score 99,8%, mAP@0.5 99,5%, dan mAP@0.5:.95 76,5%. Pada Pengujian, peneliti mendeteksi 50 citra uji dengan menghasilkan akurasi sebesar 96,07% dengan total waktu yang dibutuhkan selama 4.286 detik. Selain itu, penelitian ini juga berhasil meningkatkan performa dari penelitian sebelumnya dengan hasil akurasi 84%, 89,6% dan 93% pada skenario 70:30, 80:20, dan 90:10. Hasil penelitian ini menunjukkan bahwa metode yang diusulkan dapat mendeteksi hama serangga pada tanaman padi dengan performa yang lebih baik.