Deteksi Area Tanaman Padi yang Terdampak Penyakit Bacterial Leaf Blight (BLB) Menggunakan Visi Komputer melalui Unmanned Aerial Vehicle (UAV) = Detection of Rice Plant Areas Affected by Bacterial Leaf Blight (BLB) Using Computer Vision via Unmanned Aerial Vehicle (UAV)

Latar belakang. Metode deteksi secara manual dianggap kurang efektif karena membutuhkan waktu, tenaga, serta akurasi yang rendah dalam memantau lahan pertanian yang luas. Tujuan. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisa kinerja sistem deteksi area tanaman padi yang terdampak penyakit BLB menggunakan visi komputer dengan citra UAV. Metode. Citra udara diambil menggunakan UAV DJI Mavic 3 Classic pada lahan padi terdampak BLB. Model YOLOv8n-seg dan YOLO11n-seg dilatih menggunakan data citra beranotasi, kemudian dievaluasi menggunakan inference time, confusion matrix, iou, dan dice score. Model hasil pelatihan diekspor ke format TensorRT (.engine) dalam presisi FP32, FP16, dan INT8 untuk mengukur efisiensi ukuran model dan kecepatan inferensi. Hasil. YOLOv8n-seg menghasilkan Mean IoU 0.9223, Mean Dice Score 0.9463, dan total waktu pemrosesan 13.7ms. Versi TensorRT INT8 memberikan efisiensi penyimpanan tertinggi dengan reduksi ukuran file hingga 64% dibanding FP32 dan peningkatan kecepatan inferensi menjadi 50.96 FPS tanpa penurunan akurasi signifikan. Kesimpulan. Sistem deteksi berhasil diimplementasikan secara efektif dan efisien untuk mendeteksi area tanaman padi yang terdampak penyakit BLB, serta memiliki potensi diterapkan untuk pemantauan penyakit tanaman secara real-time di sektor pertanian.