Analisis Karakteristik Visual Dataset dan Pola Kesalahan Deteksi untuk Evaluasi Generalisasi YOLOv8 pada Penyakit Daun Cabai
Keywords:
YOLOv8, domain shift, deteksi penyakit daun cabai, generalisasi model, analisis kesalahanAbstract
Model deteksi penyakit daun berbasis deep learning umumnya mencapai akurasi tinggi pada dataset dengan karakteristik serupa, namun performanya sering kali menurun pada citra lapangan akibat perbedaan karakteristik visual antara data pelatihan dan pengujian (domain shift). Penelitian ini bertujuan menganalisis perbedaan karakteristik visual dataset publik dan lapangan serta bagaimana perbedaan tersebut tercermin pada performa dan pola kesalahan deteksi YOLOv8, menggunakan dataset penyakit daun cabai (3.152 citra publik dan 800 citra lapangan). Metode karakteristik dataset dianalisis menggunakan statistik deskriptif terhadap brightness, sharpness, ukuran bounding box, dan jumlah objek per citra, dilanjutkan dengan evaluasi cross-domain dua model YOLOv8 (Model A dan Model B) pada data uji publik dan lapangan, serta analisis pola kesalahan berbasis Intersection over Union (IoU) terhadap false negative, false positive, dan misklasifikasi. Hasil penelitian menunjukkan dataset lapangan memiliki kecerahan dan ketajaman lebih rendah serta ukuran objek lebih kecil dibandingkan dataset publik, diikuti penurunan performa model pada pengujian lintas domain, terutama pada kelas keriting_daun dan virus_kuning. Analisis pola kesalahan memperlihatkan false negative lebih sering terjadi pada objek kecil dan kondisi crowding, sedangkan false positive serta misklasifikasi berkaitan dengan kemiripan karakteristik visual antar kelas. Temuan ini menunjukkan bahwa analisis karakteristik dataset dan pola kesalahan memberikan pemahaman lebih menyeluruh mengenai domain shift serta menjadi dasar pengembangan model dengan generalisasi lebih baik pada kondisi lapangan.
References
[1] E. Umihanni, D. Haryono, K. Murniati, dan T. Endaryanto, “Sustainability of pepper cultivation in Lampung, Indonesia, with rap-pepper coordination techniques and pepper thresher technology,” Edelweiss Applied Science and Technology, vol. 10, no. 2, pp. 800–811, 2026.
[2] F. Ahmad, K. Kusumiyati, M. A. Soleh, M. R. Khan, dan R. S. Sundari, “Chili cultivars vulnerability: a multi-factorial examination of disease and pest-induced yield decline across different growing microclimates and watering regimens,” BMC Plant Biol., vol. 24, no. 1, p. 979, 2024.
[3] M. G. F. Odounfa, C. G. Hounmenou, V. K. Salako, A. Affokpon, dan R. L. G. Kakaï, “Deep learning enables precision agriculture for sustainable chili pepper disease detection in Benin,” Discover Artificial Intelligence, vol. 5, no. 1, p. 315, 2025.
[4] K. R. Kanaparthi dan S. S. Ilango, “Deep learning framework for timely detection and classification of chili leaf diseases and pests,” Sci. Rep., vol. 16, no. 1, p. 4360, 2026.
[5] J. Terven, D.-M. Córdova-Esparza, dan J.-A. Romero-González, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS,” Mach. Learn. Knowl. Extr., vol. 5, no. 4, pp. 1680–1716, 2023.
[6] A. Upadhyay et al., “Deep learning and computer vision in plant disease detection: a comprehensive review of techniques, models, and trends in precision agriculture,” Artif. Intell. Rev., vol. 58, no. 3, p. 92, 2025.
[7] X. Wu, X. Fan, P. Luo, S. Das Choudhury, T. Tjahjadi, dan C. Hu, “From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild,” Plant Phenomics, vol. 5, p. 0038, 2023.
[8] M. Shoaib et al., “An advanced deep learning models-based plant disease detection: A review of recent research,” Front. Plant Sci., vol. 14, 2023.
[9] S. Yang, Q. Feng, J. Zhang, W. Yang, W. Zhou, dan W. Yan, “From laboratory to field: cross-domain few-shot learning for crop disease identification in the field,” Front. Plant Sci., vol. 15, 2024.
[10] S. Zhu, P. Zhu, Y. Wu, dan W. Qiao, “Cross-Domain Object Detection with Hierarchical Multi-Scale Domain Adaptive YOLO,” Sensors, vol. 25, no. 17, p. 5363, 2025.
[11] M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn, dan A. Zisserman, "The Pascal Visual Object Classes (VOC) Challenge," International Journal of Computer Vision, vol. 88, no. 2, pp. 303–338, 2010.
[12] M. Xu, S. Yoon, A. Fuentes, J. Yang, dan D. S. Park, “Style-Consistent Image Translation: A Novel Data Augmentation Paradigm to Improve Plant Disease Recognition,” Front. Plant Sci., vol. 12, 2022.
[13] D. V. Leite, A. V. de Brito, G. G. Faccioli, dan G. Haddad Souza Vieira, “Deep Learning Models for Detection and Severity Assessment of Cercospora Leaf Spot (Cercospora capsici) in Chili Peppers Under Natural Conditions,” Plants, vol. 14, no. 13, p. 2011, 2025.
[14] R. Sapkota, Z. Meng, M. Churuvija, X. Du, Z. Ma, dan M. Karkee, "Comprehensive performance evaluation of YOLOv12, YOLO11, YOLOv10, YOLOv9 and YOLOv8 on detecting and counting fruitlet in complex orchard environments," Agriculture Communications, vol. 4, no. 1, p. 100125, 2026.
[15] T. Jiang dan T. Zhou, “Unraveling the Mechanisms of Virus-Induced Symptom Development in Plants,” Plants, vol. 12, no. 15, p. 2830, 2023.
[16] M. S. Krishna, P. Machado, R. I. Otuka, S. W. Yahaya, F. Neves dos Santos, dan I. K. Ihianle, “Plant Leaf Disease Detection Using Deep Learning: A Multi-Dataset Approach,” J (Basel)., vol. 8, no. 1, p. 4, 2025.
