DETEKSI KONDISI DAUN TANAMAN JAGUNG MENGGUNAKAN MODEL YOLOV9M BERBASIS ANDROID
DOI:
https://doi.org/10.33506/framework.v4i01.6134Kata Kunci:
Tanaman Jagung, Deteksi Daun, YOLOv9m, Deep learning, AndroidAbstrak
Tanaman jagung merupakan salah satu komoditas pertanian penting yang berperan dalam memenuhi kebutuhan pangan dan mendukung perekonomian masyarakat. Salah satu kendala dalam meningkatkan produktivitas jagung adalah serangan penyakit pada daun, seperti hawar daun dan karat daun, yang dapat menurunkan kualitas dan hasil panen. Proses identifikasi kondisi daun yang masih dilakukan secara manual melalui pengamatan visual membutuhkan waktu dan berpotensi menghasilkan identifikasi yang kurang akurat, terutama bagi pengguna yang belum berpengalaman dalam mengenali gejala penyakit. Penelitian ini bertujuan untuk menerapkan model YOLOv9m dalam membangun sistem deteksi kondisi daun tanaman jagung secara real-time berbasis Android serta mengetahui kinerja model dalam mengidentifikasi tiga kelas, yaitu daun sehat, hawar daun, dan karat daun. Dataset yang digunakan berjumlah 3.000 citra yang terdiri atas tiga kelas tersebut. Pengembangan sistem menggunakan metode Extreme Programming (XP), sedangkan pengujian dilakukan menggunakan Black Box Testing dan Usability Testing. Model YOLOv9m dilatih dan kemudian dikonversi ke format TensorFlow Lite untuk diintegrasikan ke dalam aplikasi Android menggunakan Android Studio. Hasil penelitian menunjukkan bahwa model YOLOv9m mampu mendeteksi dan mengidentifikasi kondisi daun tanaman jagung dengan tingkat akurasi sebesar 94,4%. Hasil Black Box Testing menunjukkan bahwa seluruh fungsi aplikasi berjalan sesuai dengan kebutuhan, sedangkan Usability Testing memperoleh persentase sebesar 85,46% yang termasuk dalam kategori sangat setuju. Dengan demikian, aplikasi yang dikembangkan dinilai layak digunakan sebagai alat bantu untuk mendeteksi kondisi daun tanaman jagung secara real-time melalui perangkat Android.
Referensi
[1] P. A. Beding, N. E. Lewaherilla, R. H. Lestari, and S. Tirajoh, “Analisis Potensi Pengembangan Komoditas Jagung Di Wilayah Perbatasan Nkri-Png Kabupaten Keerom Papua,” J. Sos. Ekon. Pertan. dan Agribisnis, vol. 20, no. 2, pp. 162–170, 2023, doi: 10.20961/sepa.v20i2.52339.
[2] Badan Pusat Statistik Provinsi Papua Barat, “Pada 2025, luas panen jagung pipilan di Provinsi Papua Barat Daya mencapai 0,43 ribu hektare. Produksi jagung pipilan kering dengan kadar air 14 persen pada 2025 sebanyak 2,73 ribu ton.” [Online]. Available: https://papuabarat.bps.go.id/id/pressrelease/2026/03/02/pada-2025--luas-panen-jagung-pipilan-di-provinsi-papua-barat-daya-mencapai-0-43-ribu-hektare--produksi-jagung-pipilan-kering-dengan-kadar-air-14-persen-pada-2025-sebanyak-2-73-ribu-ton-.html.
[3] D. Putri and U. Andalas, “Interaksi Faktor Lingkungan dan Sistem Budidaya terhadap Serangan Penyakit Karat Daun pada Tanaman Jagung,” J. Kridatama Sains dan Teknol., vol. 7, no. 01, pp. 383–392, 2025, doi: 10.53863/kst.v7i01.1636.
[4] D. Fivalianda and A. Desiani, “Penerapan Sistem Pakar Menggunakan Metode Certainty Factor untuk Diagnosis Penyakit pada Tanaman Jagung,” J. Math. Math. Educ., vol. 6, no. 2, pp. 129–137, 2024, doi: http://dx.doi.org/10.21580/square.2024.6.2.16042.
[5] Arsi, F. N. Kurnia, and Suparman, “Evaluasi Pengelolaan Penyakit Tanaman Terpadu pada Petani Jagung (Zea mays L.) Di desa Suka Menang, Kecamatan Gelumbang, Kabupaten Muara Enim, Sumatera Selatan,” J. Tanam. Pangan dan Hortik., vol. 6, no. April, pp. 1–19, 2024, doi: https://doi.org/10.25181/jplantasimbiosa.v6i1.2978.
[6] A. A. Sidik, B. Nugroho, and U. Sudadi, “Pengaruh Bulai pada Perubahan Indeks Kadar Klorofil, Serapan Fosforus dan Boron pada Jagung Manis,” J. Ilmu Pertan. Indones., vol. 29, no. 4, pp. 667–675, 2024, doi: 10.18343/jipi.29.4.667.
[7] I. G. N. A. Santika, N. G. A. P. H. Saptarini, I. P. A. Prayudha, and G. B. Subiksa, “Evaluasi Model Convolutional Neural Network (CNN) Dalam Klasifikasi Penyakit Daun Jagung Berbasis Web Menggunakan Citra Digital,” J. Manaj. Inform. Komputerisasi Akunt., vol. 10, no. 1, pp. 98–106, 2026, doi: 10.46880/jmika.Vol10No1.pp98-106.
[8] W. R. Hakim, A. A. Ilyas, B. Riswanto, M. H. Somaida, and D. Yusuf, “Prototype Aplikasi Identifikasi Penyakit Pada Daun Jagung Berbasis Android Menggunakan Metode Scrum,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3, 2025, doi: 10.23960/jitet.v13i3S1.7688.
[9] R. H. J. Notonegoro, D. A. Rahayu, D. Ikasari, and R. Kosasih, “Teknologi Ai Pada Budidaya Vanili Menuju Pertanian Pintar : Review,” J. Teknol. Inf. dan Ilmu Komput., vol. 13, no. 2, pp. 309–318, 2026, doi: 10.25126/jtiik.132.
[10] A. Pangestu and M. P. K. Putra, “YOLOv9-Based Traffic Sign Detection Under Varying Lighting,” J. Tek. Inform., vol. 6, no. 1, pp. 291–300, 2025, doi: 10.52436/1.jutif.2025.6.1.3917.
[11] D. W. V. Likadja, D. R. Sina, and B. S.Djahi, “Deteksi Hama Fall Armyworm Pada Tanaman Jagung Menggunakan YOLO Di Desa Oesao, Kabupaten Kupang, Nusa Tenggara Timur,” J. Mhs. Tek. Inform., vol. 10, no. 3, pp. 4450–4456, 2026, doi: 10.36040/jati.v10i3.18227.
[12] E. Tenda, S. C. W. Ngangi, C. A. J. Soewoeh, and E. Ketaren, “Sistem Deteksi Hama Pada Tanaman Jagung (Zea Mays) Berbasis Kecerdasan Buatan Dan Internet Of Things (Iot),” J. TIMES, vol. XIV, no. 2, pp. 225–233, 2025, doi: 10.51351/jtm.14.2.2025879.
[13] H. P. Putro, B. Tumanggor, and D. Supriatna, “Deteksi Penyakit Daun Padi Menggunakan Model Deteksi Objek YOLO,” J. Ilm. Sist. Inf., vol. 5, no. 2, pp. 664–673, 2026, doi: 10.51903/hn9qqt19.
[14] M. I. Aulia, A. Yudhana, and Sunardi, “Optimasi Deteksi Hama Tanaman Melon Berbasis YOLOv9,” J. Inform. Technol. Commun., vol. 10, no. 1, pp. 150–161, 2026, doi: 10.36596/jitu.v10i1.2265.
[15] L. Mahdiyah, S. Oktamuliani, and W. L. Putri, “Penerapan Algoritma Deep Learning YOLOv8 pada Platform Roboflow untuk Segmentasi Citra Panoramik,” J. Fis. Unand, vol. 14, no. 3, pp. 228–234, 2025, doi: 10.25077/jfu.14.3.228-234.2025.
[16] E. F. Pangestu and B. Irawan, “Klasifikasi Penyakit Tanaman Padi Menggunakan Metode Convolutional Neural Network Dengan Arsitektur Mobilnetv2,” J. Inform. dan Tek. Elektro Terap., vol. 14, no. 1, 2026, doi: 10.23960/jitet.v14i1.8900.
[17] R. Sapkota, Z. Meng, M. Churuvija, X. Du, Z. Ma, and M. Karkee, “Comprehensive performance evaluation of YOLOv12 , YOLO11 , YOLOv10 , YOLOv9 and YOLOv8 on detecting and counting fruitlet in complex orchard environments,” Agric. Commun., vol. 4, no. 1, p. 100125, 2026, doi: 10.1016/j.agrcom.2026.100125.
[18] M. Barr, “Coupling the Power of YOLOv9 with Transformer for Small Object Detection in Remote-Sensing Images,” Comput. Model. Eng. Sci., vol. 143, no. 1, 2025, doi: 10.32604/cmes.2025.062264.
[19] Muhammad and I. Susilawati, “Model Cnn Berbasis Efficientnet-Lite Untuk Deteksi Retinopati Diabetik Menggunakan Tensorflow Lite,” J. Mhs. Tek. Inform., vol. 9, no. 5, pp. 8754–8761, 2025, doi: 10.36040/jati.v9i5.15192.
[20] M. Edoazani, S. Rizal, N. Adha, O. Saputri, and M. S. Putra, “Implementasi Aplikasi Android Deteksi Penyakit Tanaman Tomat Berbasis Cloud menggunakan MVVM,” J. Ilm. MEDIA SISFO, vol. 19, no. 2, pp. 202–219, 2025, doi: 10.33998/mediasisfo.2025.19.2.2564.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Murni, Rendra Soekarta, Suhardi Aras, Bakti Prasetyo
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
