cover
Contact Name
Febryantahanuji
Contact Email
garuda@apji.org
Phone
+6289682151476
Journal Mail Official
febri@stekom.ac.id
Editorial Address
Jl. Majapahit No.304, Pedurungan Kidul, Kec. Pedurungan, Semarang, Provinsi Jawa Tengah, 52361
Location
Kota semarang,
Jawa tengah
INDONESIA
Jurnal Ilmiah Sistem Informasi
ISSN : 28091531     EISSN : 28091507     DOI : 10.51903
Core Subject : Science,
Sistem Pendukung Keputusan (DSS), Sistem Informasi Geografi (GIS), Perusahaan Skala Sistem Informasi (ERP, EAI, CRM, SCM), E-Commerce, E-Government, Sistem Informasi dari Rumah Sakit, Sistem Informasi Perbankan, Sistem Informasi Industri, Pengambilan Informasi, Keamanan Sistem Informasi, Sistem Informasi Berbasis Web, Sistem Berbasis Pengetahuan, Komputasi Bergerak, Penambangan Data, Basis Data, Gudang Data, Gudang Data, Mutimedia.
Articles 291 Documents
Deteksi Penyakit Daun Gandum Menggunakan Model Deteksi Objek YOLO Herman Purwoko Putro; Benelekser Tumanggor; Dahlan Supriatna
Jurnal Ilmiah Sistem Informasi Vol 5 No 2 (2026): May: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/hn9qqt19

Abstract

Tanaman padi merupakan salah satu komoditas pangan utama di dunia yang memiliki peran penting dalam menjaga ketahanan pangan global. Namun, produktivitas tanaman padi seringkali terganggu oleh berbagai penyakit daun yang dapat menurunkan kualitas dan hasil panen secara signifikan. Deteksi penyakit secara dini menjadi langkah penting untuk mengendalikan penyebaran penyakit tersebut. Metode konvensional yang mengandalkan pengamatan manual memiliki keterbatasan dalam hal kecepatan, akurasi, serta ketergantungan terhadap keahlian manusia. Oleh karena itu, diperlukan suatu sistem deteksi otomatis yang mampu mengidentifikasi penyakit secara cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit daun padi menggunakan metode YOLO (You Only Look Once) berbasis Deep Learning. Dataset yang digunakan diperoleh dari Kaggle yang terdiri dari citra daun padi dengan anotasi bounding box. Proses penelitian meliputi tahap pengumpulan data, preprocessing, pelatihan model, serta evaluasi performa. Model dilatih menggunakan optimizer Stochastic Gradient Descent (SGD) dengan parameter tertentu untuk memperoleh hasil yang optimal. Evaluasi kinerja model dilakukan menggunakan metrik mean Average Precision (mAP), precision, dan recall. Hasil penelitian menunjukkan bahwa model YOLO mampu mendeteksi penyakit daun padi dengan tingkat akurasi yang tinggi serta waktu deteksi yang relatif cepat. Hal ini menunjukkan bahwa metode YOLO efektif untuk diterapkan dalam sistem pertanian cerdas. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi deteksi penyakit tanaman berbasis kecerdasan buatan.