IMPLEMENTASI ARSITEKTUR YOLOv3 DENGAN EFFICIENTNET-B4 SEBAGAI BACKBONE UNTUK DETEKSI PENYAKIT DAUN PADI BERBASIS MOBILE

Penyakit daun padi seperti Brown Spot, Blast Disease, dan Bacterial Leaf Blight dapat menurunkan produktivitas padi serta sulit diidentifikasi secara manual karena memiliki gejala yang serupa. Penelitian ini bertujuan mengembangkan sistem deteksi penyakit daun padi berbasis mobile menggunakan algoritma YOLO custom yang mengadopsi konsep deteksi YOLOv3 dengan backbone EfficientNet-B4. Dataset diperoleh dari Kaggle dan diproses menggunakan Roboflow melalui anotasi, augmentasi, dan pembagian data ke dalam format COCO. Dataset terdiri atas empat kelas, yaitu Brown Spot, Blast Disease, Bacterial Leaf Blight, dan Healthy, dengan total 3.260 citra yang dibagi menjadi 2.820 data latih, 220 data validasi, dan 220 data uji. Model kemudian dikonversi ke format TensorFlow Lite menggunakan LiteRT dan diintegrasikan ke dalam aplikasi Android berbasis Flutter sehingga dapat melakukan deteksi secara offline. Hasil evaluasi menunjukkan bahwa model memperoleh nilai precision sebesar 0,95, recall sebesar 0,95, F1-score sebesar 0,94, dan mean Average Precision (mAP) sebesar 0,971. Pengujian black box juga menunjukkan bahwa seluruh fitur aplikasi berjalan sesuai dengan fungsinya. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi dan melokalisasi penyakit daun padi secara akurat serta dapat diimplementasikan sebagai aplikasi mobile berbasis Android yang dapat digunakan tanpa koneksi internet.