<![CDATA[Produksi jagung di Nusa Tenggara Timur mengalami penurunan kumulatif lebih dari 26% dalam empat tahun terakhir, salah satunya akibat serangan hama invasif Fall Armyworm (Spodoptera frugiperda) yang berpotensi menurunkan hasil panen hingga 70–80%, sementara metode pemantauan konvensional yang bersifat subjektif dan tidak efisien belum mampu menjawab kebutuhan deteksi dini secara akurat pada pertanian skala kecil. Penelitian ini bertujuan mengevaluasi kemampuan deteksi hama Fall Armyworm dan gejala kerusakannya pada daun jagung menggunakan lima varian algoritma You Only Look Once (YOLO) generasi terbaru dalam kondisi lapangan nyata. Dataset terdiri dari 2.000 gambar berlabel dua kelas, larva (Hama Fall_armyworm) dan pola kerusakan daun (fall_armyworm damage), yang dikumpulkan langsung dari lahan Desa Oesao dan diperkaya melalui platform Roboflow, kemudian dilatih dan dievaluasi pada YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, dan YOLOv12n menggunakan metrik Precision, Recall, F1-Score, dan mean Average Precision (mAP). YOLOv11n mencapai performa terbaik dengan F1-Score 61,1% dan mAP@0,5 58,5%, namun seluruh model menunjukkan kesenjangan deteksi signifikan antara kelas larva (mAP@0,5: 0,974–0,988) dan kelas kerusakan daun (mAP@0,5: 0,164–0,240) yang disebabkan oleh ketidakseimbangan distribusi data dan tingginya variasi visual pola kerusakan. Kebaruan arsitektur tidak menjamin performa superior pada dataset berukuran kecil, sehingga perluasan data dan penanganan ketidakseimbangan kelas menjadi prioritas utama penelitian mendatang]]>
