DETEKSI OBJEK SPEKRUM WARNA DAUN POHON KELAPA SAWIT MENGGUNAKAN METODE YOLOV8

Pemantauan kesehatan kelapa sawit secara konvensional sering kali terkendala oleh tingkat subjektivitas yang tinggi dan biaya operasional yang besar. Penelitian ini bertujuan mengembangkan model Deep Learning berbasis arsitektur YOLOv8 (yolov8s.pt) untuk mengklasifikasikan kondisi kesehatan pohon sawit berdasarkan spektrum warna daun pada citra RGB tampak atas. Klasifikasi dibagi menjadi tiga kategori: Hijau (sehat), Kuning (klorosis/defisiensi hara), dan Coklat (nekrosis/mati). Dataset sekunder sebanyak 9.566 objek dibagi proporsional untuk pelatihan (6.727), validasi (1.936), dan pengujian (903) selama 100 epoch. Model yang dihasilkan kemudian diintegrasikan ke dalam aplikasi web interaktif berbasis Streamlit untuk pemantauan dan penghitungan populasi pohon secara real-time. Hasil evaluasi menunjukkan nilai Precision sebesar 74,55%, Recall 73,03%, F1-Score 0,7378, dan mAP@50 mencapai 65,88%, dengan tingkat akurasi tertinggi pada kelas Hijau (97%), diikuti Kuning (59%), dan Coklat (52%). Keterbatasan deteksi pada warna Kuning dan Coklat terutama disebabkan oleh kemiripan gradasi warna pelepah transisi dan latar tanah. Penelitian ini membuktikan bahwa integrasi visi komputer dan Deep Learning efektif mengotomatisasi sensus serta pemetaan kesehatan tanaman untuk mendukung pertanian presisi.

Kata Kunci: Kelapa Sawit, Deteksi Objek, Spektrum Warna Daun, YOLOv8, Streamlit, Pertanian Presisi.