<![CDATA[Model deteksi penyakit daun berbasis deep learning umumnya mencapai akurasi tinggi pada dataset dengan karakteristik serupa, namun performanya sering kali menurun pada citra lapangan akibat perbedaan karakteristik visual antara data pelatihan dan pengujian (domain shift). Penelitian ini bertujuan menganalisis perbedaan karakteristik visual dataset publik dan lapangan serta bagaimana perbedaan tersebut tercermin pada performa dan pola kesalahan deteksi YOLOv8, menggunakan dataset penyakit daun cabai (3.152 citra publik dan 800 citra lapangan). Metode karakteristik dataset dianalisis menggunakan statistik deskriptif terhadap brightness, sharpness, ukuran bounding box, dan jumlah objek per citra, dilanjutkan dengan evaluasi cross-domain dua model YOLOv8 (Model A dan Model B) pada data uji publik dan lapangan, serta analisis pola kesalahan berbasis Intersection over Union (IoU) terhadap false negative, false positive, dan misklasifikasi. Hasil penelitian menunjukkan dataset lapangan memiliki kecerahan dan ketajaman lebih rendah serta ukuran objek lebih kecil dibandingkan dataset publik, diikuti penurunan performa model pada pengujian lintas domain, terutama pada kelas keriting_daun dan virus_kuning. Analisis pola kesalahan memperlihatkan false negative lebih sering terjadi pada objek kecil dan kondisi crowding, sedangkan false positive serta misklasifikasi berkaitan dengan kemiripan karakteristik visual antar kelas. Temuan ini menunjukkan bahwa analisis karakteristik dataset dan pola kesalahan memberikan pemahaman lebih menyeluruh mengenai domain shift serta menjadi dasar pengembangan model dengan generalisasi lebih baik pada kondisi lapangan.]]>
Copyrights © 2026
