<![CDATA[Tomato leaf diseases pose a significant threat to horticultural productivity, while field identification methods remain highly dependent on expert observation. This study compared the performance of YOLOv8 Nano and YOLO11 Nano for tomato leaf disease classification on an edge device. A dataset of 7,200 tomato leaf images across six disease classes was used; both models were trained under identical configurations with 20 independent seed replications, exported to ONNX format, and evaluated on a Raspberry Pi 5. YOLOv8 Nano achieved a mean accuracy of 88.32% while YOLO11 Nano achieved 87.81%. The Wilcoxon Signed-Rank test confirmed that the accuracy difference was not statistically significant (W = 75.5; p = 0.2706). Nevertheless, YOLOv8 Nano demonstrated shorter mean inference time (8.430 ms vs 8.502 ms; p = 0.0064), smaller model size (5.531 MB vs 5.895 MB), and lower peak memory usage (72.31 MB vs 72.72 MB). Both models proved comparable in classification accuracy, but YOLOv8 Nano is recommended for edge deployment owing to its statistically verified efficiency advantages. Keywords: YOLOv8 Nano; YOLO11 Nano; tomato leaf disease classification; edge device; Wilcoxon Signed-Rank Abstrak Penyakit daun tomat menjadi ancaman serius bagi produktivitas hortikultura, sementara metode identifikasi visual di lapangan masih sangat bergantung pada keahlian pengamat. Penelitian ini membandingkan performa YOLOv8 Nano dan YOLO11 Nano untuk klasifikasi penyakit daun tomat pada perangkat edge. Dataset yang digunakan terdiri dari 7.200 citra daun tomat yang terbagi dalam enam kelas penyakit; kedua model dilatih menggunakan 20 variasi seed independen dengan konfigurasi identik, kemudian diekspor ke format ONNX dan diuji langsung pada Raspberry Pi 5. YOLOv8 Nano memperoleh akurasi rata-rata 88,32%, sedangkan YOLO11 Nano memperoleh 87,81%. Uji Wilcoxon Signed-Rank mengonfirmasi bahwa selisih akurasi tidak signifikan secara statistik (W = 75,5; p = 0,2706). Meski demikian, YOLOv8 Nano menunjukkan waktu inferensi yang lebih singkat (8,430 ms vs 8,502 ms; p = 0,0064), ukuran model lebih kecil (5,531 MB vs 5,895 MB), dan konsumsi memori lebih rendah (72,31 MB vs 72,72 MB). Kedua model terbukti setara dari sisi akurasi klasifikasi, namun YOLOv8 Nano lebih direkomendasikan untuk implementasi edge berkat keunggulan efisiensinya yang terukur.]]>
