<![CDATA[Deteksi hama jagung secara dini pada perangkat edge sangat penting untuk pertanian presisi. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem klasifikasi hama jagung real-time yang ringan pada Raspberry Pi 4. Metode penelitian melibatkan penggunaan dataset citra dari Kaggle yang difilter menjadi tiga kelas target: ulat grayak, penggerek batang, dan daun sehat. Model Convolutional Neural Network (CNN) ringan, YOLOv8n-cls, dilatih selama 50 epoch menggunakan metode validasi hold-out (80/20) dan augmentasi data dinamis. Model best.pt yang telah dilatih kemudian dikonversi ke format ONNX untuk optimalisasi inferensi CPU. Hasil evaluasi menunjukkan performa akurasi keseluruhan yang sangat tinggi, mencapai ~99% (Top-1) dan 100% (Top-5). Meskipun demikian, analisis confusion matrix mengungkap adanya ketidakseimbangan data (dataset imbalance) yang ekstrem. Model menunjukkan recall 100% pada kelas dominan (ulat grayak, 119 sampel uji), namun performa pada kelas minoritas (daun sehat 85.7% dan penggerek batang 100%) tidak signifikan secara statistik karena jumlah sampel uji yang sangat sedikit (masing-masing 7 dan 1). Sistem ini berhasil diimplementasikan pada Raspberry Pi 4 menggunakan OpenCV dan ONNX Runtime, mencapai latensi inferensi yang rendah (~40-50 ms). Disimpulkan bahwa meskipun model sangat akurat dan cepat dalam mendeteksi ulat grayak, akurasi keseluruhannya bersifat miring (biased) dan diperlukan penambahan data signifikan untuk kelas minoritas agar sistem dapat diandalkan secara penuh di lapangan.]]>
