<![CDATA[Tebu (Saccharum spp.) merupakan komoditas industri utama yang produktivitasnya sangat dipengaruhi oleh penyakit daun, sehingga deteksi dini dan akurat menjadi faktor penting dalam menjaga keberlanjutan produksi. Deep learning menawarkan solusi canggih dan non-destruktif untuk diagnosis penyakit melalui analisis citra secara otomatis. Namun, penelitian yang ada mengenai deteksi penyakit daun tebu masih bersifat terfragmentasi, dengan variasi pada dataset, metode praproses, serta metrik evaluasi yang menyulitkan perbandingan langsung antar algoritma. Penelitian ini secara sistematis melakukan inventarisasi dan evaluasi algoritma deep learning yang diterapkan pada deteksi penyakit daun tebu, termasuk Convolutional Neural Networks (CNN), Vision Transformers (ViT), dan arsitektur hibrida CNN–Transformer. Sintesis komparatif terhadap berbagai model pretrained yang banyak digunakan—seperti ResNet, EfficientNet, DenseNet, dan MobileNet—dilakukan untuk mengidentifikasi kinerja relatif serta adaptabilitasnya terhadap citra lapangan dan UAV. Studi ini juga mengusulkan rekomendasi metodologis terstandar terkait praproses, augmentasi, dan evaluasi guna meningkatkan replikasi serta penerapan di tingkat lapangan. Hasil penelitian ini menjembatani kesenjangan antara kemajuan teoretis dan aplikasi praktis dalam pertanian presisi, serta memberikan kerangka acuan bagi peneliti dan praktisi untuk memilih pendekatan deep learning yang paling sesuai dalam pemantauan kesehatan tebu di kondisi nyata. ]]>
Copyrights © 2025
