Perancangan Website Untuk Deteksi Penyakit Tanaman Padi Menggunakan Yolov5

Amar Rullah; Junaidi Salat; Cut Lilis Setiawati; Mukhsin Nuzula; Ilal Mahdi

doi:10.47647/jurnal liteinfo.v4i4.3316

Perancangan Website Untuk Deteksi Penyakit Tanaman Padi Menggunakan Yolov5

Amar Rullah, Junaidi Salat, Cut Lilis Setiawati, Mukhsin Nuzula, Ilal Mahdi

Abstrak

Abstrack - The rapid development of information technology, along with the increasing number of internet users in the Pidie Regency area, presents significant opportunities for utilizing technology as a solution in various sectors of life, particularly in agriculture. This digital transformation enables communities, including farmers, to access agricultural information, data, and technology more easily, quickly, and without geographical or time constraints. Rice cultivation, as one of the main commodities, faces major challenges from diseases such as bacterial leaf blight, blast, and brown spot, which are often difficult for farmers to detect early due to limited technical knowledge and resources. This condition results in a significant decline in productivity and the quality of the harvest. Therefore, this research aims to design and develop a website-based rice plant disease detection system using the YOLOv5 algorithm, known for its advantages in speed and accuracy in digital image processing. This system enables users, especially farmers, to upload images of rice leaves or stems through a responsive and user-friendly web interface, which are then automatically analyzed by the YOLOv5 model to identify the types of diseases affecting the plants. Supported by real-time access that can be used anytime and anywhere through internet-connected devices, this system is expected to assist farmers in conducting early and independent disease detection with broad and practical access. Thus, disease management measures can be carried out more quickly, efficiently, and accurately, ultimately supporting the sustainability of agricultural production in the region. This system is not only a cutting-edge technological innovation but also a practical and strategic tool for farmers to improve productivity while maintaining local food security.

Keywords: YOLOv5, Rice Disease Detection, Image Processing, Web-Based System, Artificial Intelligence.

Abstrak - Perkembangan teknologi informasi yang sangat pesat, disertai dengan meningkatnya jumlah pengguna internet di wilayah Kabupaten Pidie, membuka peluang besar dalam pemanfaatan teknologi sebagai solusi di berbagai sektor kehidupan, khususnya di bidang pertanian. Transformasi digital ini memungkinkan masyarakat, termasuk para petani, untuk mengakses informasi, data, dan teknologi pertanian dengan lebih mudah, cepat, serta tanpa batasan geografis maupun waktu. Budidaya tanaman padi, sebagai salah satu komoditas utama, menghadapi tantangan besar berupa serangan penyakit seperti hawar daun, blast, dan bercak coklat, yang biasanya sulit dideteksi secara dini oleh petani karena keterbatasan pengetahuan teknis dan sumber daya. Kondisi ini berakibat pada penurunan produktivitas dan kualitas hasil panen secara signifikan. Oleh karena itu, penelitian ini bertujuan merancang dan mengembangkan sistem deteksi penyakit tanaman padi berbasis website menggunakan algoritma YOLOv5, yang dikenal memiliki keunggulan dalam kecepatan dan akurasi pengolahan citra digital. Sistem ini memungkinkan pengguna, khususnya petani, untuk mengunggah citra daun atau batang padi melalui antarmuka web yang responsif dan mudah digunakan, yang kemudian secara otomatis dianalisis oleh model YOLOv5 untuk mengidentifikasi jenis penyakit yang menyerang tanaman. Dengan dukungan akses real-time yang dapat digunakan kapan saja dan di mana saja melalui perangkat yang terhubung ke internet, sistem ini diharapkan dapat membantu petani melakukan deteksi dini secara mandiri dengan akses yang luas dan praktis. Dengan demikian, langkah penanganan penyakit dapat dilakukan lebih cepat, efisien, dan tepat sasaran, yang pada akhirnya dapat mendukung keberlanjutan produksi pertanian di daerah. Sistem ini tidak hanya menjadi inovasi teknologi terkini, tetapi juga menjadi alat praktis dan strategis bagi petani untuk meningkatkan produktivitas sekaligus menjaga ketahanan pangan lokal.

Kata Kunci: YOLOv5, Deteksi Penyakit Padi, Pengolahan Citra, Sistem Berbasis Web, Kecerdasan Buatan.

Teks Lengkap:

PDF

Referensi

Hawari, F. H., Fadillah, F., Alviandi, M. R., & Arifin, T. (2022). Mengimplementasikan metode klasifikasi penyakit padi menggunakan algoritma Convolutional Neural Network (CNN). Jurnal Teknologi Pertanian, 10(2), 123–130.

Ilahiyah, S., & Nilogiri, A. (2018). Implementasi deep learning pada identifikasi jenis tumbuhan berdasarkan citra daun menggunakan convolutional neural network. JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia), 3(2), 49–56.

Putra, A., & Widiastuti, R. (2021). Pemanfaatan flowchart dalam dokumentasi sistem informasi. Jurnal Sistem Informasi dan Teknologi, 9(3), 120–127.

Suharsono. (2018). Early detection of rice diseases for sustainable agriculture. Journal of Plant Protection, 7(4), 101–110.

Tanra, P. (2024). Deteksi dan Menghitung Tomat Segar dan Busuk Menggunakan Algoritma YOLOv5 Berbasis Website. Universitas Muhammadiyah Sorong.

Wedastra, M. S., Suartha, I. D. G., Catharina, T. S., Marini, I. A. K., Meikapasa, N. W. P., & Nopiari, I. A. (2020). Pengendalian Hama Penyakit Terpadu untuk Mengurangi Kerusakan pada Tanaman Padi di Desa Mekar Sari Kecamatan Gunung Sari. Jurnal Gema Ngabdi, 2(1), 88–94.

Yasen, R., Rifka, D., Vitria, R., & Yulindon, A. (2023). Pemanfaatan YOLO untuk Deteksi Hama dan Penyakit pada Daun Cabai Menggunakan Metode Deep Learning. Jurnal Sistem Informasi dan Komputer, 11(2), 88–96.

Swasono, M. A. H., Mustofa, D. K., & Muthmainah, H. N. (2023). Pemanfaatan teknologi informasi dalam optimalisasi produksi tanaman pangan: Studi bibliometrik skala nasional. Jurnal Multidisiplin West Science, 2(8), 668–683.

Purnamawati, A., Nugroho, W., Putri, D., & Hidayat, W. F. (2020). "Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN." Jurnal Ilmiah Teknik Informatika.

Rahayu, A. (2025). Metode penelitian dan pengembangan (R&D): Pengertian, jenis dan tahapan. DIAJAR: Jurnal Pendidikan dan Pembelajaran, 4(3), 459–470.

Hesananda, R., Noviani, I. A., & Zulfariansyah, M. (2024). Implementasi YOLOv5 untuk deteksi objek mesin EDC: Evaluasi dan analisis. BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 5(2), 104–110.

DOI: https://doi.org/10.47647/jurnal%20liteinfo.v4i4.3316