Evaluasi Kinerja YOLOv8s dan YOLO11s untuk Deteksi Daun Menguning Kelapa Sawit Berbasis Citra UAV

Abstract

Kelapa sawit merupakan komoditas strategis bagi perekonomian Indonesia, sehingga pemantauan kondisi tanaman menjadi aspek penting dalam menjaga produktivitas perkebunan. Salah satu indikator kondisi tanaman dapat diamati melalui gejala kekuningan pada daun yang berkaitan dengan stres fisiologis maupun serangan hama dan penyakit. Sementara itu, inspeksi manual memiliki keterbatasan dalam efisiensi waktu dan penerapannya pada skala luas. Penelitian ini bertujuan membandingkan kinerja YOLOv8s dan YOLO11s dalam mendeteksi gejala kekuningan pada kelapa sawit menggunakan citra UAV untuk mendukung pemantauan perkebunan presisi. Dataset awal terdiri atas 530 tile citra UAV RGB berukuran 1024 × 1024 piksel yang dianotasi ke dalam dua kelas, yaitu Healthy dan Yellowing, kemudian diperbanyak menjadi 1.100 tile melalui augmentasi. Kedua model dilatih dengan konfigurasi yang sama selama 150 epoch. Evaluasi dilakukan berdasarkan precision, recall, [email protected], [email protected]:0.95, ukuran model, jumlah parameter, FPS, dan waktu pelatihan. Hasil menunjukkan YOLOv8s memperoleh [email protected] sebesar 0,9533 dan recall sebesar 0,8808, sedangkan YOLO11s memperoleh [email protected]:0.95 sebesar 0,7471 dan precision sebesar 0,9019. YOLO11s memiliki ukuran model lebih kecil, jumlah parameter lebih sedikit, waktu inferensi lebih cepat, dan FPS lebih tinggi dibandingkan YOLOv8s. Analisis trade-off menunjukkan YOLO11s memberikan keseimbangan lebih optimal antara kinerja deteksi dan efisiensi komputasi. Dengan demikian, YOLO11s lebih potensial untuk mendukung pemantauan kesehatan kelapa sawit berbasis UAV pada perangkat dengan sumber daya terbatas secara efisien.