IMPLEMENTASI YOLO11 UNTUK DETEKSI PENYAKIT TANAMAN PADI BERDASARKAN CITRA DAUN

Padi (Oryza sativa) merupakan komoditas strategis bagi ketahanan pangan di
Indonesia, namun rentan terhadap serangan penyakit seperti hawar daun bakteri
(blight), blast, dan tungro, yang dapat menurunkan produktivitas secara signifikan.
Deteksi dini penyakit ini secara manual oleh petani seringkali tidak akurat dan lambat.
Penelitian ini bertujuan mengimplementasikan algoritma YOLOv11 berbasis deep
learning untuk mendeteksi penyakit tanaman padi berdasarkan citra daun dengan
akurasi tinggi. Metode penelitian mengikuti kerangka CRISP-DM (Cross Industry
Standard Process for Data Mining), dimulai dari pemahaman bisnis, pengumpulan
data, persiapan data, pemodelan, hingga evaluasi. Dataset terdiri dari 500 citra daun
padi yang diklasifikasikan ke dalam tiga kelas penyakit. Data diproses melalui
augmentasi dan resizing untuk menyeimbangkan distribusi kelas dan menyeragamkan
ukuran gambar. Model YOLOv11 dilatih dengan parameter 100 epochs, ukuran
gambar 224x224 piksel, dan batch size 32. Hasil evaluasi menunjukkan model
mencapai akurasi 95% dengan precision dan recall rata-rata di atas 95%. Confusion
matrix mengungkapkan kemampuan klasifikasi yang sangat baik, terutama untuk
penyakit tungro (100% akurasi). Model juga efisien dalam melakukan prediksi dengan
waktu inferensi 8.2 milidetik per gambar. Kesimpulan penelitian ini membuktikan
bahwa YOLOv11 efektif untuk deteksi penyakit padi berbasis citra daun. Saran untuk
pengembangan selanjutnya meliputi penambahan variasi data, integrasi ke aplikasi
mobile, dan pengujian lapangan untuk validasi kinerja di kondisi nyata.
Kata Kunci: YOLOv11, deteksi penyakit padi, deep learning, citra daun, computer
vision.