Implementasi YOLOv11-Segmentation dan Metode HSV untuk Estimasi Tingkat Kerusakan Daun Jagung Berbasis Pengolahan Citra

Muhammad Fadil Assalim; Bala Wardana  Putra; Vira  Septiani; Rachmat Adi  Purnama; Sujiliani  Heristian; Veti  Apriana

doi:10.58602/jaiti.v4i4.457

Muhammad Fadil Assalim ^{(Corresponding Author)} Universitas Bina Sarana Informatika
Bala Wardana Putra Universitas Bina Sarana Informatika
Vira Septiani Universitas Bina Sarana Informatika
Rachmat Adi Purnama Universitas Bina Sarana Informatika
Sujiliani Heristian Universitas Bina Sarana Informatika
Veti Apriana Universitas Bina Sarana Informatika

DOI: https://doi.org/10.58602/jaiti.v4i4.457

Keywords: Daun Jagung, YOLOv11-Segmentation, HSV, Segmentasi Citra, Tingkat Kerusakan

Abstract

Abstrak

Serangan penyakit seperti hawar, karat, dan bercak daun abu-abu memengaruhi produktivitas jagung di Indonesia, penilaian manual memiliki keterbatasan karena bersifat subjektif. Penelitian ini bertujuan mengembangkan sistem estimasi tingkat kerusakan daun jagung berbasis piksel dengan mengintegrasikan YOLOv11-Segmentation dan pengolahan citra HSV. Dataset menggunakan 2.500 citra Kaggle (750 sehat, 1.000 rusak, 750 non-daun) yang dianotasi otomatis lewat OpenCV dengan HSV thresholding dan deteksi kontur. Model YOLOv11-Segmentation dilatih selama 60 epoch untuk segmentasi daun. Selanjutnya, metode HSV mengidentifikasi piksel rusak menggunakan batas bawah (10, 40, 40) dan batas atas (35, 255, 255). Persentase kerusakan dihitung dari rasio piksel rusak terhadap total piksel daun untuk mengklasifikasikan kondisi daun ke dalam tiga kategori: sehat (<1%), ada kerusakan (1%–30%), dan rusak parah (>30%). Hasil pengujian data testing menunjukkan model meraih mAP@50 sebesar 90,90%, Precision 90,30%, dan Recall 78,20% pada evaluasi bounding box. Sementara pada segmentasi mask, diraih mAP@50 sebesar 87,80%, Precision 86,40%, dan Recall 76,20%. Hasil ini Menunjukan integrasi YOLOv11-Segmentation dan HSV berhasil mengotomatisasi segmentasi daun sekaligus mengestimasi persentase area kerusakan secara objektif. Meskipun demikian, hasil estimasi berbasis piksel tersebut masih memerlukan validasi independen melalui pengukuran manual untuk memastikan tingkat akurasi kesesuaiannya dengan luas kerusakan sebenarnya di lapangan.

Downloads

Download data is not yet available.

References

H. Albana and Z. Resti, “TINGKAT SERANGAN PENYAKIT KARAT DAUN PADA TANAMAN JAGUNG MANIS DI KECAMATAN KURANJI,” J. AGRIFOR Vol. 23 No.2 (Oktober 2024) Pp. 305-312, vol. 23, no. 2, pp. 305–312, 2024, doi: 10.31293/agrifor.v23i2.

R. Meng et al., “Development of Spectral Disease Indices for Southern Corn Rust Detection and Severity Classification,” Remote Sens., vol. 12, no. 19, p. 3255, 2020, doi: 10.3390/rs12193255.

H. D. Mafukidze, G. Owomugisha, D. Otim, A. Nechibvute, C. Nyamhere, and F. Mazunga, “Adaptive Thresholding of CNN Features for Maize Leaf Disease Classification and Severity Estimation,” Appl. Sci., vol. 13, no. 4, p. 2077, 2022, doi: 10.3390/app13042077.

M. A. Setyawan, P. Kasih, M. Ayu, and D. Widyadara, “Klasifikasi Penyakit Daun Jagung Berdasarkan Ruang Warna HSV dan Fitur Tekstur Dengan Algoritma K-NN,” Pros. Semin. Nas. Inov. Teknol., vol. 6, no. 3, pp. 67–72, 2022.

I. Wirabowo and I. Susilawati, “Implementasi Convolution Neural Network ( CNN ) untuk Deteksi Penyakit pada Daun Jagung Berbasis Citra Digital,” J. Pustaka Data, vol. 5, no. 1, pp. 233–241, 2025, doi: 10.55382/jurnalpustakadata.v5i1.104.

J. Kusuma, R. Rosnelly, and B. H. Hayadi, “Klasifikasi Penyakit Daun Pada Tanaman Jagung Menggunakan Algoritma Support Vector Machine , K-Nearest Neighbors dan Multilayer Perceptron,” JACOST, vol. 4, no. 1, pp. 1–6, 2022, doi: 10.31326/jacost.v4i1.1578.

D. S. Joseph, P. M. Pawar, and K. Chakradeo, “Real-Time Plant Disease Dataset Development and Detection of Plant Disease Using Deep Learning,” IEEE Access, vol. 12, pp. 16310–16333, 2024, doi: 10.1109/ACCESS.2024.3358333.

Z. Saeed, U. Nawaz, A. Raza, and K. Javed, “Detection of Rice and Corn Plant Leaf Disease Using Invariants of Deep Learning Models and Edge Perspective,” Artif. Intell. Appl., vol. 1, pp. 1–12, 2025, doi: 10.47852/bonviewAIA52025155.

D. A. Pangestu, O. Q. Aziz, and C. Crysdian, “Klasifikasi Penyakit pada Tanaman Berdasarkan Citra Daun Menggunakan Metode Convolutional Neural Network,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 10, no. 2, pp. 235–248, 2025, doi: 10.14421/jiska.2025.10.2.235-248.

M. R. Lakehal, A. Mezenner, N. Arab, and H. Nemmour, “Severity Estimation of Plant Leaf Diseases based on a CNN ensemble,” AJSS (Algerian J. Signals Syst., vol. 8, no. 2, pp. 135–137, 2025, doi: 10.51484/ajss.v8i2.146.

M. A. Pratama Putra and M. Fachrie, “Evaluasi Algoritma Deep Learning dan Segmentasi Klasik untuk Estimasi Luas serta Nilai Konstanta Daun Pepaya pada Sistem Smart Garden,” J. Algoritm., vol. 22, no. 2, pp. 789–798, 2025, doi: 10.33364/algoritma/v.22-2.2996.

M. F. Farhat, S. Faisal, I. Sanjaya, A. Fauzi, and K. A. Baihaqi, “Analisis komparasi arsitektur efficientnetv2-s dan resnet50 dalam klasifikasi jenis dan tingkat keparahan penyakit daun padi,” JATI (Jurnal Mhs. Tek. Inform., vol. 10, no. 4, pp. 7073–7080, 2026, doi: [https://ejournal.itn.ac.id/index.php/jati].

M. Tampubolon, Metode penelitian. Padang: PT GLOBAL EKSEKUTIF TEKNOLOGI, 2022.

Rukminingsih, G. Adnan, and M. A. Latief, METODE PENELITIAN PENDIDIKAN. Yogyakarta: Erhaka Utama, 2020.

M. Waruwu, “Metode Penelitian dan Pengembangan (R&D): Konsep, Jenis, Tahapan dan Kelebihan,” J. Ilm. Profesi Pendidik., vol. 9, no. 2, pp. 1220–1230, 2024, doi: 10.29303/jipp.v9i2.2117.

A. Rahayu, “Metode Penelitian dan Pengembangan (R&D) : Pengertian, Jenis dan Tahapan,” DIAJAR J. Pendidik. dan Pembelajaran, vol. 4, no. 3, pp. 459–470, 2025, doi: 10.54259/diajar.v4i3.5092.

L. He, Y. Zhou, L. Liu, and J. Ma, “Research and Application of YOLOv11-Based Object Segmentation in Intelligent Recognition at Construction Sites,” Buildings, vol. 14, no. 12, p. 3777, 2024, doi: 10.3390/buildings14123777.

R. Sapkota and M. Karkee, “COMPARING YOLO V 11 AND YOLO V 8 FOR INSTANCE SEGMENTATION OF OCCLUDED AND NON - OCCLUDED IMMATURE GREEN FRUITS IN COMPLEX ORCHARD ENVIRONMENT,” 2026. doi: 10.48550/arXiv.2410.19869.

E. Hamuda, B. M. Ginley, M. Glavin, and E. Jones, “Automatic crop detection under field conditions using the HSV colour space and morphological operations,” Comput. Electron. Agric., vol. 133, pp. 97–107, 2017, doi: 10.1016/j.compag.2016.11.021.

L. He, X. Cheng, A. Jiwa, D. Li, J. Fang, and Z. Du, “Zanthoxylum bungeanum Fruit Detection by Adaptive Thresholds in HSV Space for an Automatic Picking System,” IEEE Sens. J., vol. 23, no. 13, pp. 14471–14486, 2023, doi: 10.1109/JSEN.2023.3277042.