Oil palm seedlings are susceptible to pests and diseases that can compromise plant quality. Manual identification processes are time-consuming and demand high precision, creating a need for an automated detection system. This study aims to develop an Android-based oil palm seedling health monitoring application utilizing digital image processing and the YOLOv11 model. The research stages include dataset collection, data labeling, model training, application implementation, and real-time field testing. The developed system is capable of detecting leaf spot, leaf rust, and nocturnal beetles, classifying them by severity levels: mild, moderate, and severe. Field testing results, based on 570 images containing a total of 3,093 objects, demonstrate accuracy rates ranging from 76.68% to 100%. These results indicate that the developed application can detect diseases in oil palm seedlings in real-time and holds potential as a tool for monitoring seedling health in the field.
Bibit kelapa sawit rentan terhadap serangan penyakit dan hama yang dapat menurunkan kualitas tanaman. Proses identifikasi yang masih dilakukan secara manual memerlukan waktu dan ketelitian yang tinggi sehingga diperlukan sistem deteksi otomatis. Penelitian ini bertujuan mengembangkan aplikasi pemantauan kesehatan bibit kelapa sawit berbasis pengolahan citra digital menggunakan model YOLOv11 pada perangkat Android. Tahapan penelitian meliputi pengumpulan dataset, pelabelan data, pelatihan model, implementasi aplikasi, dan pengujian secara real-time di lapangan. Sistem yang dikembangkan mampu mendeteksi penyakit bercak daun, karat daun, dan kumbang malam berdasarkan tingkat keparahan ringan, sedang, dan parah. Hasil pengujian langsung di lapangan menggunakan 570 foto dengan total 3.093 objek menunjukkan tingkat akurasi sebesar 76,68% hingga 100%. Hasil tersebut menunjukkan bahwa aplikasi yang dikembangkan mampu mendeteksi penyakit pada bibit kelapa sawit secara real-time dan berpotensi digunakan sebagai alat bantu pemantauan kesehatan bibit di lapangan.
References
[1] M. Melidawati, I. Sofi’i, and W. K. Fauziah, “Optimalisasi Citra Termal dalam Pertanian Presisi untuk Deteksi Dini Masalah Kesehatan Bibit Kelapa Sawit,” J. Budid. Pertan., vol. 19, no. 2, pp. 106–110, Dec. 2023, doi: 10.30598/jbdp.2023.19.2.106.
[2] N. Safina, M. Fikry, and ; Cut Agusniar, “Penerapan YOLOv8 Dalam Deteksi Penyakit Daun Jambu Air Secara Real-time,” vol. 17, no. 2, 2024, doi: 10.33322/petir.v17i2.2563.
[3] N. M. Yasen, S. Rifka, R. Vitria, and Y. Yulindon, “Pemanfaatan Yolo Untuk Deteksi Hama Dan Penyakit Pada Daun Cabai Menggunakan Metode Deep Learning,” Elektron J. Ilm., pp. 63–71, Dec. 2023, doi: 10.30630/eji.0.0.397.
[4] E. Oktafanda, “Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN),” J. Inform. Ekon. Bisnis, vol. 4, no. 3, pp. 72–77, 2022, doi: 10.37034/infeb.v4i3.143.
[5] E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 117–123, 2020, doi: 10.31294/p.v22i2.8907.
[6] Y. Prayudi, “Analisis Dan Klasifikasi Penyakit Pada Daun Padi Dengan Menggunakan Metode Yolov8,” vol. 11, no. 6, pp. 5676–5683, 2024.
[7] M. M. Huda et al., “Identifikasi Mangga Berdasarkan Tingkat Kematangan Menggunakan Yolo 11,” 2025.
[8] R. Kurniawan, A. T. Martadinata, and S. D. Cahyo, “Klasifikasi Tingkat Kematangan Buah Sawit Berbasis Deep Learning dengan Menggunakan Arsitektur Yolov5,” J. Inf. Syst. Res., vol. 5, no. 1, pp. 302–309, Oct. 2023, doi: 10.47065/josh.v5i1.4408.
[9] M. Bitra and C. Dewi, "Penggunaan YOLOv8 untuk Deteksi Penyakit Daun Kopi," Kesatria: Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen), vol. 5, no. 4, 2024.