Deteksi Area Penyakit Jambu Biji menggunakan YOLOv8 dan K-Means Clustering

Produktivitas tanaman jambu biji (Psidium guajava L.) menghadapi ancaman yang cukup serius akibat serangan penyakit seperti Phytophthora, Scab, dan Styler End Rot. Deteksi dini merupakan hal yang penting untuk mencegah kerugian ekonomi, namun metode berbasis CNN yang ada saat ini seringkali memiliki keterbatasan dalam melokalisasi area infeksi secara akurat. Penelitian ini mengusulkan sistem deteksi terintegrasi yang memanfaatkan algoritma YOLOv8 untuk deteksi objek secara real-time dan K-Means Clustering untuk segmentasi pasca-pemrosesan (post-processing). Model dilatih menggunakan arsitektur YOLOv8s pada dataset sebanyak 600 citra dengan pembagian data latih, validasi, dan uji sebesar 50:40:10. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai nilai Mean Average Precision (mAP50-95) yang tinggi sebesar 0.891 pada data uji. Hasil ini menunjukkan konsistensi yang kuat dengan hasil validasi (0.894), yang mengindikasikan kemampuan generalisasi model yang baik tanpa mengalami overfitting. Waktu inferensi rata-rata tercatat sebesar 26.1 ms, yang menegaskan kelayakan model ini untuk aplikasi real-time. Selain itu, metode K-Means clustering terbukti efektif dalam melakukan segmentasi area terinfeksi di dalam bounding box, memberikan analisis visual yang lebih jelas terkait tingkat keparahan penyakit.