Klasifikasi penyakit Anthracnose dan Downy Mildew pada daun melon menggunakan Algoritma Deep Learning Yolov8

INDONESIA:

Penyakit daun melon merupakan salah satu kendala budidaya yang dapat menurunkan kualitas dan produktivitas hasil panen. Penyakit Anthracnose dan Downy Mildew memiliki gejala visual berupa bercak, perubahan warna, serta kerusakan jaringan daun yang sering terlihat mirip, sehingga identifikasi manual dapat menjadi kurang konsisten. Penelitian ini bertujuan mengembangkan model Deep Learning YOLOv8m untuk mengklasifikasikan penyakit Anthracnose dan Downy Mildew pada citra daun melon serta mengevaluasi performanya menggunakan precision, recall, F1-score, dan mAP@0.5. Dataset yang digunakan berjumlah 401 citra sebelum augmentasi, kemudian dibagi dengan rasio 80:10:10 menjadi 321 citra training, 40 citra validation, dan 40 citra testing. Augmentasi diterapkan hanya pada data training sehingga jumlah data training menjadi 1.580 citra dan total dataset menjadi 1.660 citra. Model dilatih menggunakan epoch 200, batch size 8, learning rate 0.0005, optimizer AdamW, patience 80, dan ukuran citra 1280 piksel. Evaluasi dilakukan pada 40 citra testing dengan 198 anotasi, terdiri dari 153 objek Anthracnose dan 45 objek Downy Mildew. Hasil pengujian menunjukkan precision keseluruhan sebesar 51,40%, recall 56,10%, dan mAP@0.5 43,50%. Pada kelas Anthracnose diperoleh precision 47,20%, recall 58,80%, dan mAP@0.5 46,40%, sedangkan Downy Mildew memperoleh precision 55,60%, recall 53,30%, dan mAP@0.5 40,60%. Dengan demikian, YOLOv8m mampu mengenali penyakit daun melon melalui bounding box, meskipun masih terdapat kesalahan prediksi dan objek yang belum terdeteksi. Hasil ini menunjukkan bahwa model dapat menjadi dasar pengembangan sistem pengamatan penyakit berbasis citra yang lebih cepat, objektif, dan terarah untuk membantu proses identifikasi awal pada budidaya melon. Namun, peningkatan data dan kualitas anotasi tetap diperlukan untuk memperbaiki performa model lebih lanjut.

ENGLISH:

Melon leaf diseases are one of the cultivation challenges that can reduce the quality and productivity of the harvest. Anthracnose and downy mildew exhibit visual symptoms such as spots, discoloration, and leaf tissue damage that often appear similar, making manual identification inconsistent. This study aims to develop a YOLOv8m deep learning model to classify anthracnose and downy mildew in melon leaf images and evaluate its performance using precision, recall, F1-score, and mAP@0.5. The dataset consisted of 401 images before augmentation, which were then split in an 80:10:10 ratio into 321 training images, 40 validation images, and 40 testing images. Augmentation was applied only to the training data, resulting in 1,580 training images and a total dataset of 1,660 images. The model was trained using 200 epochs, a batch size of 8, a learning rate of 0.0005, the AdamW optimizer, a patience value of 80, and an image size of 1,280 pixels. Evaluation was performed on 40 test images with 198 annotations, consisting of 153 Anthracnose objects and 45 Downy Mildew objects. The test results showed an overall precision of 51.40%, a recall of 56.10%, and a mAP@0.5 of 43.50%. For the Anthracnose class, the model achieved a precision of 47.20%, a recall of 58.80%, and a mAP@0.5 of 46.40%, while for Downy Mildew, it achieved a precision of 55.60%, a recall of 53.30%, and a mAP@0.5 of 40.60%. Thus, YOLOv8m is capable of recognizing melon leaf diseases through bounding boxes, although there are still prediction errors and undetected objects. These results indicate that the model can serve as the basis for developing a faster, more objective, and targeted image-based disease monitoring system to assist in the early identification process in melon cultivation. However, an increase in data volume and annotation quality is still needed to further improve the model’s performance.

ARABIC:

تعد أمراض أوراق الشمام من العقبات الزراعية التي يمكن أن تقلل من جودة وإنتاجية الغلة. يمتاز مرض الأنثراتنوز والبياض الزغبي بأعراض مرئية على شكل بقع، وتغير في اللون، وتلف في نسيج الورقة، والتي غالبًا ما تظهر مشابهة لبعضها البعض، مما يجعل التعرف اليدوي أقل اتساقًا. هدف هذا البحث إلى تطوير نموذج التعلم العميق YOLOv8m لتصنيف مرض الأنثراتنوز والبياض الزغبي في صور أوراق الشمام وتقييم أدائه باستخدام الدقة، الاسترجاع، مقياس F1، وmAP@0.5. استخدم مجموعة بيانات تتكون من 401 صورة قبل إجراء التكبير، تم تقسيمها بنسبة 80:10:10 إلى 321 صورة للتدريب، و40 صورة للتحقق، و40 صورة للاختبار. تم تطبيق التكبير فقط على بيانات التدريب لتصبح عدد صور التدريب 1,580 صورة ويصبح إجمالي مجموعة البيانات 1,660 صورة. تم تدريب النموذج باستخدام 200 دورة، وحجم دفعة 8، ومعدل تعلم 0.0005، والمُحسّن AdamW، وصبر 80، وحجم الصورة 1280 بكسل. تم التقييم على 40 صورة اختبارية تحتوي على 198 توضيحًا، تتكون من 153 جسمًا لمرض الأنثراكنوز و45 جسمًا لمرض البياض الزغبي. أظهرت نتائج الاختبار أن الدقة الكلية بلغت 51.40٪، والاسترجاع 56.10٪، وmAP@0.5 بنسبة 43.50٪. بالنسبة لفئة الأنثراكنوز، تم الحصول على الدقة 47.20٪، والاسترجاع 58.80٪، و ئmAP@0.5 بنسبة 46.40٪، بينما بلغ داء البياض الزغبي دقة 55.60٪، واسترجاع 53.30٪، وmAP@0.5 بنسبة 40.60٪. وبالتالي، فإن نموذج YOLOv8m قادر على التعرف على أمراض أوراق الشمام من خلال المربعات الحدودية، على الرغم من وجود بعض الأخطاء في التنبؤ وبعض الأجسام التي لم تُكتشف بعد. تشير هذه النتائج إلى أن النموذج يمكن أن يكون أساسًا لتطوير نظام مراقبة الأمراض المعتمد على الصور بشكل أسرع وأكثر موضوعية واستهدافًا، للمساعدة في عملية التعرف المبكر في زراعة الشمام. ومع ذلك، لا يزال تعزيز البيانات وجودة التعليقات التوضيحية ضروريًا لتحسين أداء النموذج أكثر.