<![CDATA[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.]]>
