APLIKASI MOBILE UNTUK MENDETEKSI PENYAKIT TANAMAN LOKAL BERBASIS YOLOv8 DAN TENSORFLOW LITE

Penyakit pada tanaman padi, jagung, dan cabai menyebabkan penurunan produktivitas dan kerugian ekonomi yang signifikan. Tantangan utama dalam identifikasi penyakit di lapangan adalah kemiripan visual gejala antarspesies serta minimnya konektivitas internet di area pertanian. Penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi cerdas yang mampu mendeteksi penyakit pada multikomoditas tersebut secara real-time dan offline. Metode yang diusulkan menggunakan algoritma YOLOv8 varian Nano (YOLOv8n) yang dikonversi ke format TensorFlow Lite (.tflite) dan diintegrasikan menggunakan framework Flutter. Pelatihan model dilakukan menggunakan 13.900 dataset citra daun gabungan yang diklasifikasikan ke dalam 14 kelas penyakit dan daun sehat, setelah melalui tahap pre-processing dan augmentasi. Hasil pengujian menunjukkan model berhasil memetakan kompleksitas fitur dengan baik, mencapai nilai Mean Average Precision (mAP@0.5) sebesar 0,918. Konversi ke TensorFlow Lite menghasilkan arsitektur yang efisien, memungkinkan aplikasi mobile menjalankan inferensi bounding box dan menampilkan solusi penanganan tanpa perlu membebani komputasi server. Kesimpulannya, integrasi YOLOv8n dan TensorFlow Lite berhasil menjawab kebutuhan deteksi penyakit lintas tanaman yang akurat, ringan, dan aplikatif bagi petani.