Description

Object Detection - Pests and Diseases of Cocoa Fruit Using YOLOv11

by Ella Trilia Oviana

1. Latar Belakang
Proyek dilatar belakangi dari permasalahan dalam sektor pertanian, khususnya dalam budidaya kakao di Indonesia. Kakao adalah salah satu komoditas unggulan nasional, dan Provinsi Lampung merupakan salah satu daerah penghasil utama. Namun, produktivitas kakao terus menurun setiap tahunnya. Salah satu penyebab utama adalah serangan hama dan penyakit pada buah kakao, seperti:

• Kepik Helopeltis yang menyebabkan bercak coklat muda hingga hitam pada permukaan buah.
• Hama Penggerek Buah Kakao (PBK) yang menyerang bagian luar dan dalam buah, menyebabkan bercak kuning hingga kerusakan berat pada buah.
• Penyakit Busuk Buah yang menyebar dari ujung buah dan menghitamkan seluruh permukaan.

Kendala utama adalah minimnya pengetahuan petani untuk mengenali jenis hama dan penyakit tersebut sehingga sering kali terlambat dalam mengambil tindakan. Oleh karena itu, teknologi berbasis kecerdasan buatan menjadi solusi potensial untuk mengatasi masalah ini.

2. Pendekatan dan Metodologi

Proyek ini dilakukan melalui beberapa tahapan:

a. Pengumpulan Dataset

• Dataset terdiri dari 2000 gambar yang dibagi menjadi empat kategori:
  • 500 gambar kakao sehat.
  • 500 gambar buah terkena busuk buah.
  • 500 gambar terkena hama Helopeltis.
  • 500 gambar terkena hama Penggerek Buah Kakao (PBK).
• Dataset diperoleh dari Kaggle dan dokumentasi foto pribadi.

b. Pre-Processing Data

• Dataset diolah menggunakan Roboflow, platform manajemen data untuk model deteksi objek.
• Langkah-langkah yang dilakukan:
  1. Upload Gambar: Semua dataset diunggah ke Roboflow.
  2. Pemberian Anotasi: Kategori seperti "Sehat", "Busuk Buah", "Helopeltis", dan "PBK" diberi label pada setiap gambar.
  3. Augmentasi Data: Variasi dataset ditingkatkan dengan augmentasi, seperti rotasi, zoom, atau perubahan pencahayaan, untuk memperkaya pola visual yang dikenali model.
  4. Split Dataset: Dataset dibagi menjadi 90% untuk pelatihan, 5% untuk validasi, dan 5% untuk pengujian.
  5. Ekspor Dataset: Dataset diekspor dalam format YOLOv11 agar kompatibel dengan model deteksi.

c. Model dan Fine-Tuning dengan YOLOv11

• Model YOLOv11 (You Only Look Once versi 11) digunakan karena keunggulannya dalam kecepatan dan akurasi deteksi objek.
• Proses pelatihan dilakukan di Google Colaboratory dengan langkah-langkah berikut:
  1. Instalasi YOLOv11: Pustaka Ultralytics dan dependencies lainnya seperti supervision dan roboflow diinstal menggunakan Python.
  2. Verifikasi GPU: Pemeriksaan GPU dilakukan dengan perintah !nvidia-smi untuk memastikan penggunaan perangkat keras yang mendukung pelatihan model.
  3. Fine-Tuning: Dataset khusus yang telah dianotasi digunakan untuk melatih model YOLOv11. Fine-tuning ini memungkinkan model mengenali ciri khas hama dan penyakit pada buah kakao.
  4. Validasi Model: Model diuji pada data pengujian untuk mengevaluasi akurasi dan kinerjanya.

4. Hasil Proyek

Model menunjukkan akurasi tinggi dalam mengenali objek pada dataset pengujian. Deteksi ini dilakukan dengan cepat, sehingga sangat potensial untuk diterapkan dalam skala lebih besar.

5. Kesimpulan dan Manfaat
Proyek ini menunjukkan bahwa teknologi YOLOv11 dapat menjadi alat yang efektif untuk mendeteksi hama dan penyakit pada buah kakao. Dengan adopsi teknologi ini, petani dapat:

• Mengenali masalah pada buah lebih cepat.
• Mengurangi kerugian akibat hama dan penyakit.
• Meningkatkan produktivitas dan kualitas hasil panen kakao.

Link Google Colab: https://colab.research.google.com/drive/1EZ5UhOD2Z7PahsP7Q6MaHKyjtRHQEPEX#scrollTo=i4eASbcWkQBq 

Link PowerPoint: https://drive.google.com/file/d/1ra4TEsbJPndi7t4RP3JmVSEUplLptDSK/view?usp=drive_link 

Link video hasil deteksi: https://drive.google.com/file/d/1SNS4cGamqGIFoL57X3S0T19-FSuXUTmn/view?usp=drive_link