Evaluasi Kinerja Deteksi Penyakit Buah Cabai Rawit Berbasis Citra
DOI:
https://doi.org/10.33795/jip.v12i3.9826Keywords:
deteksi objek, SSD, cabai rawit, penyakit tanaman, citra digitalAbstract
Penyakit pada buah cabai rawit sering sulit diidentifikasi secara manual dikarenakan kemiripan gejala visual antar penyakit dan keterbatasan informasi mengenai lokasi gejala pada buah. Riset ini mempunyai tujuan guna melakukan pengembangan sistem deteksi penyakit buah cabai rawit berbasis citra digital memakai metode Single Shot Detector (SSD). Metode ini digunakan karena dapat melakukan klasifikasi objek sekaligus menentukan lokasi gejala dalam satu proses. Dataset yang dipakai mencakup atas 1.200 citra yang digolongkan atas tiga kategori, yakni buah sehat, antraknosa, dan serangan lalat buah, yang diperoleh langsung dari kondisi lapangan. Proses pengembangan meliputi pengumpulan data, anotasi, pembagian dataset, pelatihan model, serta evaluasi memakai metrik precision, recall, F1-Score, serta mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model terbaik diperoleh pada konfigurasi optimizer AdamW dengan skema learning rate dinamis, dengan nilai mAP sebesar 83,78%. Sistem yang dikembangkan mampu menampilkan hasil deteksi berupa kategori penyakit, confidence score, serta bounding box yang menunjukkan lokasi gejala pada buah. Implementasi dalam aplikasi berbasis web menunjukkan bahwa sistem dapat digunakan untuk proses identifikasi secara praktis. Penelitian ini memberikan kontribusi dalam pemanfaatan metode deteksi objek untuk identifikasi penyakit tanaman berbasis citra lapangan. Pengembangan berikutnya mampu difokuskan terhadap penambahan dataset serta peningkatan kekuatan model guna memberi pembedaan objek dengan karakteristik visual yang serupa.
Downloads
References
Aldiani, D., Dwilestari, G., Susana, H., Hamonangan, R., & Pratama, D. (2024). IMPLEMENTASI ALGORITMA CNN DALAM SISTEM ABSENSI BERBASIS PENGENALAN WAJAH. JIP (Jurnal Informatika Polinema), 10(2), 197–202.
Arrufitasari, P. N., Fikri, G. El, Handini, A. S., Sutanto, O. P., & Hidayatullah, C. S. R. (2025). STUDI KANDUNGAN CAPSAISIN CABAI RAWIT (Capsicum frutescens L.) AKIBAT PEMBERIAN MUTAGEN KIMIA EMS (ETHYL METHANE SULFONATE). AGRICA, 18(1), 139–149. https://doi.org/10.37478/agr.v18i1.5678
Aulia Zahra, F., & Firmansyah, N. (2025). KLASIFIKASI CITRA JENIS IKAN AIR TAWAR DAN AIR LAUT MENGGUNAKAN ALGORITMA CNN (CONVOLUTIONAL NEURAL NETWORK). JIP (Jurnal Informatika Polinema), 11(4), 495–502.
Budi, I. S., Mariana, M., & Fauziah, A. (2023). Resistance of cayenne pepper varieties (Capsicum frutescens) to anthracnose disease (Colletotrichum gloeosporioides) isolates from swampy areas. Jurnal Ilmiah Pertanian, 20(3), 232–246. https://doi.org/10.31849/jip.v20i3.16042
Cheng, L., Ji, Y., Li, C., Liu, X., & Fang, G. (2022). Improved SSD network for fast concealed object detection and recognition in passive terahertz security images. Scientific Reports, 12(1). https://doi.org/10.1038/s41598-022-16208-0
Juhartini, Dwinita Arwidiyarti, & Desmiwati. (2025). Single Shot Multibox Detector (SSD) in Object Detection: A Review. IJACI : International Journal of Advanced Computing and Informatics, 1(2), 118–127. https://doi.org/10.71129/ijaci.v1i2.pp118-127
Khan, A., Syafeeza, A. R., Amsan, A. N., Abdul Hamid, N., Abd Razak, N., & Rahaman, S. (2025). Disease Detection in Solanaceous Crops using One-Stage Detectors. Journal of Advanced Research Design, 134(1), 1–13. https://doi.org/10.37934/ARD.134.1.113
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. https://doi.org/10.1007/978-3-319-46448-0_2
Nursalim, Y. A., Suwandi, ;, Muslim, A., Putri, ;, Wahyuni, I., Hama, J., Tumbuhan, P., & Sriwijaya, U. (2026). Evaluasi Fusarium non-patogenik terhadap Serangan Antraknosa pada Cabai Merah di Indralaya Ogan Ilir, Sumatra Selatan Evaluation of non-pathogenic Fusarium for Controlling Anthracnose on Red Chili in Indralaya, South Sumatra. Agriprima Journal of Applied Agricultural Sciences Maret, 10(1), 11–24. https://doi.org/10.25047/agriprima.v9i1.782
Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., & Da Silva, E. A. B. (2021). A comparative analysis of object detection metrics with a companion open-source toolkit. Electronics (Switzerland), 10(3), 1–28. https://doi.org/10.3390/electronics10030279
Setiyono, B., Riv’an Arif, M., Aini, Q. Q., Soegianto, T. H., Ohanna, J., Andrean, R., Gunawan, F., & Rizkia, A. P. (2023). IDENTIFIKASI TANAMAN OBAT INDONESIA MELALUI CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). Jurnal Teknologi Informasi dan Ilmu Komputer, 10(2), 385–392. https://doi.org/10.25126/jtiik.2023106809
Shoaib, M., Shah, B., EI-Sappagh, S., Ali, A., Ullah, A., Alenezi, F., Gechev, T., Hussain, T., & Ali, F. (2023). An advanced deep learning models-based plant disease detection: A review of recent research. Dalam Frontiers in Plant Science (Vol. 14). Frontiers Media SA. https://doi.org/10.3389/fpls.2023.1158933
Tian, J., Jin, Q., Wang, Y., Yang, J., Zhang, S., & Sun, D. (2024). Performance analysis of deep learning-based object detection algorithms on COCO benchmark: a comparative study. Journal of Engineering and Applied Science, 71(1). https://doi.org/10.1186/s44147-024-00411-z
Upadhyay, A., Chandel, N. S., Singh, K. P., Chakraborty, S. K., Nandede, B. M., Kumar, M., Subeesh, A., Upendar, K., Salem, A., & Elbeltagi, A. (2025). Deep learning and computer vision in plant disease detection: a comprehensive review of techniques, models, and trends in precision agriculture. Artificial Intelligence Review, 58(3). https://doi.org/10.1007/s10462-024-11100-x
Wehfany, F. Y., Timisela, N. R., & Luhukay, J. M. (2022). Analisis Faktor Yang Mempengaruhi Pendapatan Usahatani Cabai Rawit (Capsicum frutescens L.). JURNAL AGRICA, 15(2), 123–133. https://doi.org/10.31289/agrica.v15i2.7314
Wulandari, A. S., Saepudin, A., Kinanti, M. P., Sudesi, Z., Saifudin, A., & Yulianti, Y. (2022). Pengujian Aplikasi Sistem Informasi Akademik Berbasis Web Menggunakan Metode Black Box Testing Equivalence Partitioning. Jurnal Teknologi Sistem Informasi dan Aplikasi, 5(2), 102. https://doi.org/10.32493/jtsi.v5i2.17561
Xu, M., Park, J. E., Lee, J., Yang, J., & Yoon, S. (2024). Plant disease recognition datasets in the age of deep learning: challenges and opportunities. Frontiers in Plant Science, 15. https://doi.org/10.3389/fpls.2024.1452551
Xu, M., Yoon, S., Fuentes, A., & Park, D. S. (2023). A Comprehensive Survey of Image Augmentation Techniques for Deep Learning. Pattern Recognition, 137. https://doi.org/10.1016/j.patcog.2023.109347
