<![CDATA[Identifikasi penyakit daun jeruk secara cepat diperlukan untuk mendukung pengendalian penyakit sebelum gejala berkembang lebih luas. Penelitian ini mengevaluasi YOLOv8n, YOLOv9t, YOLOv10n, dan YOLO11n pada dataset Citrus Common Leaf 2020 (CCL'20) yang terdiri atas 2.684 citra dan 10.332 anotasi. Tiga kelas penyakit, yaitu Anthracnose, Bacterial Brown Spot, dan Melanose, dievaluasi pada level objek, sedangkan 427 citra Healthy diperlakukan sebagai citra latar dan dianalisis bersama ketiga kelas penyakit pada level citra. Pengujian menggunakan tiga rasio pembagian data, yaitu 80:10:10, 70:15:15, dan 60:20:20. Pada skenario 80:10:10, YOLOv10n memperoleh mAP50-95 sebesar 0,9373 dan YOLOv9t sebesar 0,9368. Kedua nilai tersebut tergolong tinggi dan kompetitif dalam konteks benchmark CCL'20 karena melampaui YOLOv7 (0,9260), walaupun masih di bawah YOLOv8s teroptimasi (0,9610) pada studi lain; perbandingan ini bersifat kontekstual karena konfigurasi eksperimen berbeda. YOLOv9t menunjukkan rentang performa paling kecil pada tiga skenario, sedangkan YOLOv10n mencapai 151,7 FPS dengan waktu inferensi 6,59 ms per citra. Evaluasi level citra menghasilkan akurasi 85,13%, dengan seluruh citra Healthy teridentifikasi secara tepat. Hasil penelitian menunjukkan bahwa peningkatan generasi YOLO tidak selalu menghasilkan peningkatan akurasi yang konsisten, sehingga pemilihan model perlu mempertimbangkan akurasi, kestabilan, dan efisiensi komputasi secara bersamaan.]]>
