Deteksi Dini Penyakit Tanaman Tomat Menggunakan Model Real-Time Detection Transformer (RT-DETR)

Deteksi dini penyakit pada tanaman tomat merupakan aspek penting dalam pertanian modern untuk menjaga produktivitas dan meminimalkan kerugian akibat serangan penyakit. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi dini penyakit tanaman tomat menggunakan model Real-Time Detection Transformer (RT-DETR) berbasis deep learning. Dataset yang digunakan terdiri dari 1.000 citra daun tanaman tomat yang terinfeksi berbagai jenis penyakit, yang telah melalui proses pelabelan dan praproses. Model RT-DETR dilatih selama 60 epoch untuk mempelajari pola visual dari berbagai gejala penyakit pada daun tomat. Hasil pengujian menunjukkan bahwa RT-DETR mampu mencapai tingkat akurasi sebesar 96,1%, yang menunjukkan kinerja sangat baik dalam mendeteksi dan mengklasifikasikan penyakit secara otomatis. Arsitektur transformer pada RT-DETR memungkinkan model mengekstraksi fitur global dan lokal secara lebih efektif, sehingga meningkatkan ketepatan dalam mengenali area daun yang terinfeksi. Meskipun waktu inferensi relatif lebih besar dibandingkan model berbasis CNN konvensional, tingkat akurasi yang tinggi menjadikan RT-DETR sangat potensial untuk diterapkan dalam sistem pemantauan kesehatan tanaman berbasis kecerdasan buatan. Penelitian ini diharapkan dapat menjadi kontribusi dalam pengembangan teknologi pertanian presisi dan sistem deteksi dini penyakit tanaman tomat secara otomatis.