Sistem deteksi real-time penyakit tanaman cabai berbasis IoT menggunakan model YOLO

Azhar Ilyas Hanifa, Dr. Dyah Aruming Tyas, S.Si.

2026 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Penyakit pada tanaman cabai dapat menurunkan kualitas dan hasil panen, sehingga diperlukan sistem pemantauan yang mampu bekerja secara cepat dan akurat. Penelitian ini membahas perancangan sistem deteksi real-time penyakit tanaman cabai menggunakan model YOLO berbasis Internet of Things. Sistem ini bertujuan untuk membantu pemantauan kondisi tanaman cabai secara otomatis melalui teknologi deteksi objek berbasis deep learning.

Metode yang digunakan memanfaatkan model YOLOv7 dengan dua jenis dataset, yaitu dataset hasil web scraping sebanyak 500 citra yang di augmentasi menjadi 1500 citra dan dataset yang diperoleh secara langsung menggunakan perangkat ESP32-CAM sebanyak 75 citra yang di augmentasi menjadi 150 citra. Pada tahap implementasi, sistem menggunakan ESP32-CAM sebagai perangkat akuisisi citra dan ESP32-DevKit sebagai media penampil hasil deteksi pada LCD, sementara proses deteksi dilakukan menggunakan program berbasis Python.

Hasil pengujian menunjukkan bahwa model YOLOv7 mencapai performa terbaik pada Model A2 dengan konfigurasi epoch 300 dan menghasilkan akurasi sebesar 94.6%. Selain itu, sistem yang dikembangkan berhasil diintegrasikan dengan perangkat IoT sehingga mampu melakukan proses akuisisi citra, deteksi, dan penampilan hasil secara otomatis dan real-time. Hasil tersebut menunjukkan bahwa sistem yang dikembangkan tidak hanya meningkatkan performa deteksi, tetapi juga mampu mendukung implementasi monitoring penyakit tanaman cabai berbasis IoT secara efektif.

Diseases in chili plants can reduce crop quality and yield; therefore, a monitoring system that can operate quickly and accurately is required. This research discusses the development of a real-time chili plant disease detection system using the YOLO model based on the Internet of Things (IoT). The system aims to assist in automatically monitoring the condition of chili plants through deep learning–based object detection technology.

The proposed method utilizes the YOLOv7 model with two types of datasets: a web scraping dataset consisting of 500 images augmented to 1,500 images, and a real dataset obtained directly using an ESP32-CAM device consisting of 75 images augmented to 150 images. In the implementation stage, the system uses ESP32-CAM as the image acquisition device and ESP32-DevKit as the display medium to show detection results on an LCD, while the detection process is performed using a Python-based program.

The experimental results show that the YOLOv7 model achieves the best performance in Model A2 with an epoch configuration of 300, producing an accuracy of 94.6%. In addition, the developed system was successfully integrated with IoT devices, enabling automatic and real-time image acquisition, detection, and result display. These results indicate that the proposed system not only improves detection performance but also supports the effective implementation of an IoT-based chili plant disease monitoring system.

Kata Kunci : Deteksi Penyakit Tanaman Cabai, YOLOv7, Internet of Things (IoT), Deep Learning, Deteksi Real-Time