Deteksi Gejala Defisiensi Hara NPK pada tanaman Jagung dengan Pendekatan Deep Learning

Jagung merupakan salah satu tanaman pangan penting, Dinamika Jagungrnnasional mulai dari tahun 2020 hingga 2024 menunjukkan tren yang sangatrnfluktuatif, hal tersebut dapat terjadi karena terkendala pemenuhan kebutuhanrnunsur hara makro esensial seperti Nitrogen (N), Fosfor (P), dan Kalium (K). Petanirnumunya masih mengalami kesulitan dalam mendeteksi gejala defisiensi hararnsecara cepat akibat keterbatasan pengetahuan serta sulitnya analisisrnlaboratorium. Penelitian ini bertujuan untuk membangun model deteksi defisiensirnhara cepat dengan dasar YOLOv8n dalam identifikasi gejala defisiensi unsur hararnNPK pada tanaman jagung, juga mengimplementasi dalam bentuk prototypernwebsite deteksi objek. Pengumpulan dataset citra digital dilakukan melalui tigarncara, yaitu penanaman langsung menggunakan minus one test, pengambilanrndata secara langsung, serta pengunduhan melalui website penyedia dataset.rnModel YOLOv8n dilatih selama 100 epoch menggunakan dataset yang mencakuprnkelas hara tercukupi, defisiensi nitrogen, defisiensi fosfor, dan defisiensi kalium.rnHasil penelitian menunjukkan bahwa model yang dibangun memiliki kinerjarnakurasi yang tinggi dengan nilai mAP50 sebesar 0.931 dan F1-Score sebesarrn0.91 pada confidence threshold 0.69. model juga memiliki kecepatan inferensirnyang sangat tinggi dengan angka 69.68 FPS dengan beban komputasi sebesarrn8.1 GFLOPs. Penelitian ini juga berhasil mengimplementasikan model ke dalamrnprototype website bernama Nutriscan dengan basis Streamlit yang mendukungrnobject detection secara real time serta dilengkapi dengan fitur feedbackrnpengguna.