PERBANDINGAN FASTER R-CNN DAN YOLO DALAM DETEKSI PENYAKIT BASAL STEM ROT PADA TANAMAN KELAPA SAWIT BERBASIS UAV = Comparison of Faster R-CNN and YOLO in UAV- based Basal Stem Ro tDisease Detection in Oil Palm

Basal Stem Rot (BSR) merupakan penyakit yang menyerang kelapa sawit akibat infeksi jamur Ganoderma dan dapat berakibat kematian. Penyebaran penyakit ini juga sangat cepat sehingga jika tidak ditangani akan berakibat pada perekonomian kelapa sawit. Berbagai metode telah dilakukan untuk mendeteksi penyakit ini, namun tidak efektif jika diaplikasikan pada kehidupan nyata. Oleh karena itu, penggunaan teknologi Unmanned Aerial Vehicle (UAV) dipadukan dengan algoritma deteksi objek dapat menjadi solusi untuk permasalahan ini. Tujuan dari penelitian ini adalah untuk membandingkan performa Faster R- CNN dan YOLO dalam mendeteksi penyakit BSR pada tanaman kelapa sawit. Pengambilan data dilakukan dengan menerbangkan drone di atas kelapa sawit untuk melihat ciri-ciri penyakit BSR yang terdapat pada daun dan mahkota kelapa sawit. Model Faster R-CNN dan YOLOv9 digunakan pada penelitian ini dengan menerapkan berbagai skenario penelitian, yaitu optimizer, learning rate, ukuran input citra, backbone untuk Faster R-CNN dan model size untuk YOLOv9. Hasil penelitian menunjukkan bahwa YOLOv9c (compact) merupakan model dengan performa terbaik dengan precision 0.914, recall 0.934, mAP@50 0.954 dan mAP(50-95) 0.897 serta kecepatan deteksi 47 FPS pada evaluasi data validasi. Pada pengujian model, YOLOv9c meraih nilai precision pada masing-masing kelas BSR, Healthy, dan Non-BSR berturut-turut 0.955, 0.9, dan 0.842. Sedangkan nilai recall pada masing-masing kelas BSR, Healthy, dan Non-BSR berturut-turut 0.955, 0.818, dan 0.889 dengan kecepatan deteksi 31 FPS.