Perbandingan Kinerja YOLOv11 pada Konfigurasi Baseline dan Optimasi Hyperparameter untuk Deteksi Hama Tanaman Cabai

Abstrak

Tanaman cabai (Capsium annuum L.) merupakan komoditas hortikultura strategis di Indonesia, namun produktivitasnya masih sering mengalami penurunan akibat serangan hama yang sulit dideteksi secara dini melalui metode konversional. Perkembangan computer vision membuka peluang penerapan sistem deteksi hama otomatis berbasis citra digital untuk mendukung pertanian presisi. Penelitian ini bertujuan untuk menganalisis pengaruh optimasi hyperparameter terhadap kinerja model deteksi objek YOLOv11 dalam mendeteksi hama pada tanaman cabai. Dataset publik yang digunakan terdiri atas 4.957 citra beranotasi dengan empat kelas hama utama. Model YOLOv11 dilatih menggunakan dua konfigurasi, yaitu baseline dan optimasi hyperparameter, dengan arsitektur dan dataset yang sama serta durasi pelatihan 300 epoch. Evaluasi kinerja dilakukan menggunakan metrik precision, recall, dan mean Average Precision (mAP). Hasil pelatihan menunjukkan bahwa model dengan optimasi hyperparameter mencapai precision sebesar 85%, recall 78%, mAP@0.5 sebesar 80,2%, dan mAP@0.5–0.95 sebesar 37%, yang menunjukkan peningkatan kinerja deteksi, khususnya pada objek hama berukuran kecil. Analisis visual dan confusion matrix menunjukkan penurunan kesalahan klasifikasi, khususnya pada objek hama berukuran kecil dan latar belakang kompleks. Hasil ini menegaskan bahwa optimasi hyperparameter berperan penting dalam meningkatkan stabilitas pelatihan dan keseimbangan kinerja YOLOv11 untuk deteksi hama tanaman cabai secara akurat dan efisien.