Aaboud M, dkk. 2019. Study of the rare decays of bs0 and b0 mesons into muon pairs using data collected during 2015 and 2016 with the atlas detector.
Journal of High Energy Physics. 1(4): 1–47.
Ahdan S, Putri R, Sucipto A. 2020. Aplikasi m-learning sebagai media pembelajaran conversation pada homey english. SISTEMASI: Jurnal Sistem Informasi. 9(3): 493–509.
Alim S, Lestari P, Rusliyawati R. 2020. Sistem pakar diagnosa penyakit tanaman kakao menggunakan metode certainty factor pada kelompok tani pt olam indonesia (cocoa) cabang lampung. Jurnal Data dan Sistem Informasi. 1(1):
26-27.
Alita D, Tubagus I, Rahmanto Y, Styawati S, Nurkholis A. 2020. Sistem Informasi Geografis Pemetaan Wilayah Kelayakan Tanam Tanaman Jagung Dan Singkong Pada Kabupaten Lampung Selatan. Journal of Social Sciences and Technology for Community Service (JSSTCS). 1(2): 190.
Aptriani, Kurniawan, Wibowo. 2017. Aplikasi sistem pakar identifikasi hama dan penyakit serta cara pengendaliannya pada tanaman kakao berbasis android.
Jurnal Komputasi. 5(1): 24-87.
Armaniar A, Saleh A, Wibowo F. 2019. Penggunaan semut hitam dan bokashi dalam peningkatan resistensi dan produksi tanaman kakao. AGRIUM:
Jurnal Ilmu Pertanian. 22(2): 111-115.
Aris S, Jumiono A, Akil S, Teknologi M, Bogor U. 2020. Identifikasi titik kritis kehalalan gelatin 1. Jurnal Pangan Halal. 1(2): 17–22.
Atmadja W. 2003. Status Helopeltis antonii sebagai hama pada beberapa tanaman perkebunan dan pengendaliannya. Jurnal Litbang Pertanian, 22(2): 57-63.
BPS. 2021. Statistik Kakao Indonesia 2021. Jakarta: Badan Pusat Statistik.
Chethan K, Donepudi S, Supreeth H, Maani V. 2021. Mobile application for classification of plant leaf diseases using image processing and neural networks. Data Intelligence and Cognitive Informatics. 1(1): 287-306.
[Ditjenbun] Direktorat Jenderal Perkebunan. 2021. Kakao: Statistik Perkebunan Unggulan Nasional 2019 - 2021. Jakarta (ID): Kementrian Pertanian.
Jiang X, Yuanjian Z, Duogian M. 2020. Three-way Confusion Matrix for Classification: A Measure Driven View.Information Sciences Volume 507.January 2020.Elsevier. https://doi.org/10.1016/j.ins.2019.06.064
Kumi S, Kelly D, Woodstuff J, Lomotey RK, Orji R, Deters R. 2022. Cocoa companion: deep learning based smartphine application for cocoa disease detection. Procedia Computer Science. 203: 87-94.
Lestari F, Susanto T, Kastamto K. 2021. Pemanenan air hujan sebagai penyediaan air bersih pada era new normal di kelurahan susunan baru. SELAPARANG Jurnal Pengabdian Masyarakat Berkemajuan. 4(2): 427–434.
27
Lestari P. 2018. Intensitas serangan hama penggerek batang kakao di perkebunan rakyat Cipadang, Gedongtataan, Pesawaran. Jurnal Agro Industri Perkebunan. 6(1): 1-8.
Mahardhika A, Saptono R, Anggrainingsih R. 2015. Sistem klasifikasi feedback pelanggan dan rekomendasi solusi atas keluhan di UPT puskom UNS dengan algoritma naïve bayes classifier dan cosine similarity. Jurnal ISMART. 4(1): 36-42.
Mouha RA. 2021. Deep learning for robotics. J Data Anal Inf Process. 9(2):63–
76.
Natan O, Gunawan AI, Dewantara BSB. 2019. Grid SVM: Aplikasi Machine Learning dalam Pengolahan Data Akuakultur. J Rekayasa Elektr. 15(1).
Nazilly M, Rahmat B, Puspaningrum Y. 2020. Implementasi algoritma you only look once (YOLO) untuk deteksi api. Jurnal Informatika dan Sistem Informasi (JIFoSI). 1(1): 81-91.
Ningtyas D, Setiyawati N. 2021. Implementasi Flask Framework pada Pembangunan Aplikasi Purchasing Approval Request Flask Framework Implementation in Development Purchasing Approval Request Application.
J Janitra Inform dan Sist Inf. 1(1):19–34.
Prasetyawan P, Samsugi S, Prabowo R. 2021. Internet of thing menggunakan firebase dan nodemcu untuk helm pintar. Jurnal ELTIKOM: Jurnal Teknik Elektro, Teknologi Informasi Dan Komputer. 5(1): 32–39.
Pratama Y, Rasywir E. 2021. Eksperimen penerapan sistem traffic counting dengan algoritma you only look once (YOLO). Jurnal Media Informatika Budidarma. 5(4): 1438-1446.
Priyambodo T, Dhewa O, Susanto T. 2020. Model of linear quadratic regulator (lqr) control system in waypoint flight mission of flying wing uav. Journal of Telecommunication, Electronic and Computer Engineering (JTEC).
12(4): 43–49.
Purwansya Y. 2022. Model deep learning yolo untuk deteksi keberhasilan tanam padi (oryza sativa) berbasis citra unnamed aerial vehicle [skripsi]. Bogor:
Institut Pertanian Bogor.
Rangkuti, A. (2021). Respon pertumbuhan bibit kakao (Theobroma cacao L.) dengan pemberian kotoran sapi dan pupuk cair mol bonggol pisang.
Kumpulan Karya Ilmiah Mahasiswa Fakultas sains dan Tekhnologi. 1(1):
212-232.
Redmon J, Divvala S, Girshick R, Farhadi A. 2016. You only look once: Unified, real-time object detection. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. 779–788.
Rosnelly R. 2012. Sistem Pakar Konsep Dan Teori. Yogyakarta (ID): Penerbit Andi.
Rossi F, Mokri S, Rahni A. 2017. Development of a semi-automated combined PET and CT lung lesion segmentation framework. Medical Imaging 2017:
28
Biomedical Applications in Molecular, Structural, and Functional Imaging, 10137, 101370B. https://doi.org/10.1117/12.2256808
Samsudin. (2012). Penggerek buah kakao (PBK), serangga kecil yang merugikan.
Majalah Semi Populer TREE. 3(1): 3.
Samsugi S, Mardiyansyah Z, Nurkholis A. 2020. Sistem pengontrol irigasi otomatis menggunakan mikrokontroler arduino uno. Jurnal Teknologi Dan Sistem Tertanam. 1(1): 17–22.
Setiawan M, Susanto T, Jayadi A. 2021. Penerapan sistem kendali pid pesawat terbang tanpa awak untuk kesetabilan roll, pitch dan yaw pada fixed wings.
The 1st International Conference on Advanced Information Technology and Communication (IC-AITC).
Suherlina Y, Yaherwandi B, Efendi S. 2020. Sebaran dan tingkat serangan hama penggerek buah kakao (Conopomorpha cramerella snellen). Jurnal Agronida. 6(1): 28–33.
Sukamto, S. 2003. Trichoderma spp. Sebagai Agensia Pengendalian Penyakit Busuk Buah Kakao. Laporan Hasil Penelitian Balitkoka. 5 Hlm.
Sumpala A, Sutoyo N. 2018. Sistem pakar untuk mendiagnosa hama dan penyakit tanaman kakao menggunakan metode forward chaining dan certainty factor.
J-SISKO TECH. 5(1): 83-94.
Sumpala AT, Sutoyo MN. 2018. Sistem pakar untuk mendiagnosa hama penyakit tanaman padi menggunakan metode forward chaining and certainty factor.
Prosding Seminar Nasional, no. November, pp. 261–267
Tasmara J. 2022. Rancang bangun model deep learning untuk deteksi viabilitas benih pada persemaian cabai (capsicum annum L.) [skripsi]. Bogor: Institut Pertanian Bogor.
Tiyar RI, Fudholi DH. 2021. Kajian Pengaruh Dataset dan Bias Dataset terhadap Performa Akurasi Deteksi Objek. Petir. 14(2):258–268.
Thuan D. 2021. Evolution of yolo algorithm and yolov5: the state-of-the-art object detection algorithm [Thesis]. Oulu (Finlandia): Oulu University of Applied Sciences.
Wajiran W, Riskiono S, Prasetyawan P, Iqbal M. 2020. Desain iot untuk smart kumbung thinkspeak dan nodemcu. POSITIF: Jurnal Sistem Dan Teknologi Informasi. 6(2): 97–103.
Xu R, Lin H, Lu K, Cao L, Lu Y. 2021. A forest fire detection system based on ensemble learning. Jurnal Forests. 12(217): 1-17.
29
LAMPIRAN
Sehat 30
Lampiran 1 Contoh gambar yang digunakan sebagai dataset berdasarkan kategori hama dan penyakit buah kakao
Hama dan Penyakit
Buah Kakao Contoh gambar
Busuk buah
Helopeltis
PBK
Busuk buah dan helopeltis
31
Lampiran 2 Grafik kinerja dan confusion matrix tiap weight
Grafik kinerja hasil training model YOLOv5
Grafik kinerja hasil training model YOLOv7
32
Grafik kinerja hasil training model YOLOv8
Confusion matrix YOLOv5
33
Confusion matrix YOLO v7
Confusion matrix YOLOv8
34
Lampiran 3 Kode program pengembangan model menggunakan notebook pemrograman google colaboratory
A. YOLOv5 1. Setup
#YOLOv5
!git clone https://github.com/ultralytics/yolov5 # clone repo
%cd yolov5
%pip install -qr requirements.txt # install dependencies
%pip install -q roboflow import torch
import os
from IPython.display import Image, clear_output # to display images print(f"Setup complete. Using torch {torch. version } ({torch.cuda.get_de vice_properties(0).name if torch.cuda.is_available() else 'CPU'})")
!pip install roboflow
from roboflow import Roboflow
rf = Roboflow(api_key="bgLxyvl8KDOVmC95z0rN") project = rf.workspace("ipb-6hqi2").project("pdc-kjuk1") dataset = project.version(5).download("yolov5")
!python train.py --img 640 --batch 16 --epochs 700 --
data {dataset.location}/data.yaml --weights yolov5x.pt --cache #Yolov5
!python detect.py --weights runs/train/exp4/weights/best.pt --img 640 -- conf 0.8 --source {dataset.location}/test/images
# Start tensorboard # Launch after you have started training
# logs save in the folder "runs" %load_ext tensorboard
%tensorboard --logdir runs B. YOLOv7
!git clone https://github.com/WongKinYiu/yolov7
%cd yolov7
%pip install -r requirements.txt # install dependencies
!pip install roboflow
from roboflow import Roboflow
rf = Roboflow(api_key="bgLxyvl8KDOVmC95z0rN") project = rf.workspace("ipb-6hqi2").project("pdc-kjuk1") dataset = project.version(5).download("yolov5")
!python train.py --batch 32 --epochs 700 --cfg cfg/training/yolov7.yaml -- data {dataset.location}/data.yaml --weights yolov7.pt --cache
35
!python detect.py --weights /content/yolov7/runs/train/exp/weights/best.pt -- conf 0.8 --source {dataset.location}/test/images
%reload_ext tensorboard
%tensorboard --logdir runs/train C. YOLOv8
%pip install ultralytics import ultralytics ultralytics.checks()
!pip install roboflow
from roboflow import Roboflow
rf = Roboflow(api_key="bgLxyvl8KDOVmC95z0rN") project = rf.workspace("ipb-6hqi2").project("pdc-kjuk1") dataset = project.version(5).download("yolov5")
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.yaml') model = YOLO('yolov8n.pt')
model = YOLO('yolov8n.yaml').load('yolov8n.pt')
model.train(data='/content/PDC/data.yaml', epochs=700, imgsz=640) from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.pt') # load an official model
model = YOLO('runs/detect/train/weights/best.pt') # load a custom model
# Validate the model metrics = model.val() metrics.box.map
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.pt')
model = YOLO('runs/detect/train/weights/best.pt') results = model('/content/PDC/test/images') from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.pt')
model = YOLO('runs/detect/train/weights/best.pt')
36
Lampiran 4 Tampilan website untuk implementasi model deep learning
37