Analisis Performa DETR untuk Deteksi Penyakit pada Buah Kakao Menggunakan Dataset Lokal
DOI:
https://doi.org/10.33795/jip.v12i3.9862Keywords:
Detection Transformer (DETR), computer vision, deep learning, penyakit buah kakaoAbstract
Kakao merupakan komoditas perkebunan bernilai ekonomi tinggi, namun ancaman infeksi penyakit pada tanaman seringkali memicu penurunan drastis terhadap kualitas maupun kuantitas hasil panen buah kakao. Selama ini, upaya identifikasi dini cenderung mengandalkan observasi visual secara manual yang tidak hanya memakan banyak waktu, melainkan juga sangat rentan terhadap bias subjektivitas pengamat. Untuk mengatasi permasalahan tersebut, studi ini mengusulkan inovasi otomatisasi deteksi penyakit pada buah kakao dengan memanfaatkan teknologi computer vision, secara khusus mengimplementasikan algoritma Detection Transformer (DETR) berbasis pengolahan citra RGB. Metode penelitian yang dilakukan meliputi pengumpulan dataset citra kakao, preprocessing, anotasi bounding box pada citra, pelatihan model, dan pengujian model. Model DETR dilatih selama 300 epoch dengan menggunakan 720 citra yang dibagi ke dalam data train, validation, dan test dengan perbandingan sebesar 70:15:15. Selanjutnya dilakukan pengukuran kinerja dengan menggunakan metrik mean Average Precision (mAP). Hasil eksperimen menunjukkan performa yang sangat kompetitif, dengan model berhasil memperoleh nilai mean Average Precision (mAP) sebesar 0.86. Kesimpulan dari penelitian ini membuktikan bahwa arsitektur berbasis transformer mampu memberikan keunggulan dalam ekstraksi fitur penyakit kakao dengan tingkat konvergensi yang stabil meskipun dalam keterbatasan parameter pelatihan. Efektivitas yang dihasilkan memberikan kontribusi signifikan bagi pengembangan sistem monitoring pertanian cerdas yang handal dan ekonomis untuk diimplementasikan dalam skala perkebunan secara nyata.
Downloads
References
Aliwijaya, A., & Suyono, H. C. (2023). Peluang Pemanfaatan Big Data di Perpustakaan. Info Bibliotheca: Jurnal Perpustakaan Dan Ilmu Informasi, 4(2), 1–17. https://doi.org/10.24036/IB.V4I2.397
Alsakka, F., Assaf, S., El-Chami, I., & Al-Hussein, M. (2023). Computer vision applications in offsite construction. Automation in Construction, 154, 104980. https://doi.org/10.1016/J.AUTCON.2023.104980
Atik, A., Hasanah, N., Suwondo, A., & Artikel, R. (2022). Identifikasi organisme pengganggu tanaman pada buah kakao menggunakan algoritma forward chaining berbasis web. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 1(2), 23–33. https://doi.org/10.55123/STORAGE.V1I2.324
Berckemas, Y., Eka, P., Ariati, P., & Sujana, P. (2025). Eksplorasi kejadian penyakit busuk buah (phytophthora palmivora) pada tanaman kakao di desa cau kecamatan marga kabupaten tabanan. Agrofarm: Jurnal Agroteknologi, 4(1), 30–36. https://doi.org/10.36733/AGROFARM.V4I1.11787
Chen, Y., Chen, S., Deng, Y., & Wang, K. (2023). HA-Transformer: Harmonious aggregation from local to global for object detection. Expert Systems with Applications, 230, 120539. https://doi.org/10.1016/J.ESWA.2023.120539
Dröge, S., Bemelmans, J., Depoorter, C., Jusrin, M. J. M., Marx, A., Verbist, B., Prasetyo, L. B., Maertens, M., & Muys, B. (2024). From chocolate to palm oil: The future of Indonesia’s cocoa plantations. Ambio, 54(1), 151–161. https://doi.org/10.1007/S13280-024-02061-0/METRICS
Fadhila Tunnur Putri Aji. (2022). Identifikasi jenis penyakit buah kakao (theobroma cacao l.) Berbasis citra buah menggunakan metode deep learning convolutional neural networks (cnn).
Fauziyah Ahmad Abdillah, Fitria Nugraheni, & Muhammad Asmar. (2024). Perbandingan Metode Pemangkasan untuk Mencapai Efisiensi Maksimum dalam Tim Pemangkasan Tanaman Kakao (Theobroma cacao L.) di Mars Cocoa Research Station, Pangkep, Sulawesi Selatan. Prosiding Seminar Nasional Pembangunan Dan Pendidikan Vokasi Pertanian, 5(1), 1372–1380. https://doi.org/10.47687/SNPPVP.V5I1.1209
Gai, Y., & Wang, H. (2024). Plant Disease: A Growing Threat to Global Food Security. Agronomy 2024, Vol. 14, Page 1615, 14(8), 1615. https://doi.org/10.3390/AGRONOMY14081615
Juliandy, C., & Darwin, D. (2024). Pengenalan Computer Vision Berbasis Convolutional Neural Network melalui Dewatalks. Sarwahita, 21(01), 45–52. https://doi.org/10.21009/SARWAHITA.211.4
Khan, Z., Shen, Y., & Liu, H. (2025). ObjectDetection in Agriculture: A Comprehensive Review of Methods, Applications, Challenges, and Future Directions. Agriculture 2025, Vol. 15, Page 1351, 15(13), 1351. https://doi.org/10.3390/AGRICULTURE15131351
Komang, I., Pariyana, T. A., Agung, A., Mahendra, N., Putra, A., Sumartana, G. G., & Prathama, J. D. (2024). Identifikasi penyakit buah kakao jembrana menggunakan metode resnet152v2. JOURNAL OF INFORMATICS ENGINEERING AND TECHNOLOGY , 5(1), 12–20. https://jietech.triatmamulya.ac.id/index.php/Jietech/article/view/70
Liu, Z., Mao, H., Wu, C. Y., Feichtenhofer, C., Darrell, T., & Xie, S. (2022). A ConvNet for the 2020s. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2022-June, 11966–11976. https://doi.org/10.1109/CVPR52688.2022.01167
Naibaho, D. M. T. (2023). Deep learning Model Untuk Deteksi Hama dan Penyakit Pada Buah Kakao (Theobroma cacao L.). http://repository.ipb.ac.id/handle/123456789/121856
Putra, P. Y., Seto Arifianto, A., Fitri, Z. E., Puspitasari, T. D., Informatika, T., Informasi, J. T., & Jember, P. N. (2023). Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4. Jurnal Informatika Polinema, 9(2), 215–222. https://doi.org/10.33795/JIP.V9I2.1243
Putra, S., Ferry, Y., & Harni, R. (2022). Pengendalian penyakit busuk buah kakao menggunakan Trichoderma dan pupuk Kalium. Kultivasi, 21(2), 173–180. https://doi.org/10.24198/kultivasi.v21i2.36807
Putu, I., Wisnawa, O., Nyoman, N., Puspita, H., Bagus, P., Pradnyana, A., Komang Wiratama, I., Dwi, M., & Sulastra, J. (2025). Deep Learning-Based Computer Vision Framework for Early Detection of Cocoa Plant Diseases in Precision Agriculture. 233–242. https://doi.org/10.2991/978-94-6463-878-3_27
Rizqi Okta Ekoputris. (2021). Review Metode Objek Deteksi: DETR — End-to-End Object Detection with Transformers | by Rizqi Okta Ekoputris | Data Science Indonesia | Medium. https://medium.com/data-science-indo/review-metode-objek-deteksi-end-to-end-object-detection-with-transformers-a43d1baa681
Tovurawa, E., Dlamini, B., Moore, S. E., Marivate, V., & Modupe, A. (2025). Cacao Plant Disease Detection and Classification. https://doi.org/10.21203/RS.3.RS-5763786/V1
Yang, H., Xue, H., Lyu, Y., Mu, M., Tang, T., & Huang, Z. (2025). LDW-DETR: An Efficient Tomato Leaf Disease Detection Algorithm Based on Enhanced RT-DETR. Applied Sciences 2025, Vol. 15, Page 11620, 15(21), 11620. https://doi.org/10.3390/APP152111620
Yu, L., Tang, L., & Mu, L. (2025). A Review of DEtection TRansformer: From Basic Architecture to Advanced Developments and Visual Perception Applications. Sensors (Basel, Switzerland), 25(13), 3952. https://doi.org/10.3390/S25133952
Yulia Siska, Rahmi, Zulhelmi, & Sandra Dewi. (2025). Strategi Petani Kakao Dalam Meningkatkan Produksi Dari Perspektif Ekonomi Islam (Studi Kasus: Kecamatan Padang Gelugur, Kabupaten Pasaman). ISTIKHLAF: Jurnal Ekonomi, Perbankan Dan Manajemen Syariah, 7, 175–190.
