Padi (Oryza sativa) merupakan sumber pangan utama di Indonesia yang rentan terhadap serangan penyakit daun seperti Brown Spot, Hispa, dan Leaf Blast. Penyakit ini menghambat fotosintesis dan berdampak pada produktivitas, sehingga deteksi dini sangat penting. Penelitian ini menerapkan metode deteksi objek berbasis YOLOv8n untuk mengidentifikasi tiga penyakit daun padi. Dataset yang digunakan terdiri dari 1.999 citra, yang mencakup 1.867 citra dari Kaggle Repository dan 132 citra hasil pengambilan data lokal di Bangkalan, Jawa Timur. Dataset dibagi menjadi 70% untuk pelatihan, 20% validasi, dan 10% pengujian. Evaluasi model menggunakan metrik mean Average Precision (mAP) dengan delapan skenario pelatihan, yakni kombinasi batch size (16, 32), epoch (100, 300), serta penggunaan augmentasi dan tanpa augmentasi. Hasil menunjukkan bahwa konfigurasi batch size 32 dengan 100 epoch, tanpa augmentasi menghasilkan performa terbaik dengan mAP sebesar 76,5%. Temuan ini menunjukkan bahwa YOLOv8n merupakan metode yang akurat, efisien, dan potensial untuk diimplementasikan pada perangkat mobile sebagai sistem peringatan dini penyakit daun padi. Abstract Rice (Oryza sativa) is a major food source in Indonesia that is susceptible to leaf diseases such as Brown Spot, Hispa, and Leaf Blast. These diseases inhibit photosynthesis and impact productivity, so early detection is very important. This study applies the YOLOv8n-based object detection method to identify three rice leaf diseases. The dataset used consists of 1,999 images, which includes 1,867 images from the Kaggle Repository and 132 images from local data collection in Bangkalan, East Java. The dataset is divided into 70% for training, 20% validation, and 10% testing. The evaluation model uses the mean Average Precision (mAP) metric with eight training scenarios, namely a combination of batch size (16, 32), epochs (100, 300), and the use of augmentation and without augmentation. The results show that the configuration of batch size 32 with 100 epochs, without augmentation produces the best performance with an mAP of 76.5%. These findings indicate that YOLOv8n is an accurate, efficient, and potential method to be implemented on mobile devices as an early warning system for rice leaf diseases.
English
Padi (Oryza sativa) merupakan sumber pangan utama di Indonesia yang rentan terhadap serangan penyakit daun seperti Brown Spot, Hispa, dan Leaf Blast. Penyakit ini menghambat fotosintesis dan berdampak pada produktivitas, sehingga deteksi dini sangat penting. Penelitian ini menerapkan metode deteksi objek berbasis YOLOv8n untuk mengidentifikasi tiga penyakit daun padi. Dataset yang digunakan terdiri dari 1.999 citra, yang mencakup 1.867 citra dari Kaggle Repository dan 132 citra hasil pengambilan data lokal di Bangkalan, Jawa Timur. Dataset dibagi menjadi 70% untuk pelatihan, 20% validasi, dan 10% pengujian. Evaluasi model menggunakan metrik mean Average Precision (mAP) dengan delapan skenario pelatihan, yakni kombinasi batch size (16, 32), epoch (100, 300), serta penggunaan augmentasi dan tanpa augmentasi. Hasil menunjukkan bahwa konfigurasi batch size 32 dengan 100 epoch, tanpa augmentasi menghasilkan performa terbaik dengan mAP sebesar 76,5%. Temuan ini menunjukkan bahwa YOLOv8n merupakan metode yang akurat, efisien, dan potensial untuk diimplementasikan pada perangkat mobile sebagai sistem peringatan dini penyakit daun padi. Abstract Rice (Oryza sativa) is a major food source in Indonesia that is susceptible to leaf diseases such as Brown Spot, Hispa, and Leaf Blast. These diseases inhibit photosynthesis and impact productivity, so early detection is very important. This study applies the YOLOv8n-based object detection method to identify three rice leaf diseases. The dataset used consists of 1,999 images, which includes 1,867 images from the Kaggle Repository and 132 images from local data collection in Bangkalan, East Java. The dataset is divided into 70% for training, 20% validation, and 10% testing. The evaluation model uses the mean Average Precision (mAP) metric with eight training scenarios, namely a combination of batch size (16, 32), epochs (100, 300), and the use of augmentation and without augmentation. The results show that the configuration of batch size 32 with 100 epochs, without augmentation produces the best performance with an mAP of 76.5%. These findings indicate that YOLOv8n is an accurate, efficient, and potential method to be implemented on mobile devices as an early warning system for rice leaf diseases.
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.