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

Abstract

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.Early detection of diseases in tomato plants is crucial in modern agriculture to maintain productivity and minimize yield losses from plant infections. This study aims to develop and evaluate an early disease detection system for tomato plants using the Real-Time Detection Transformer (RT-DETR) model. The dataset used in this research consists of 1,000 images of tomato leaves affected by various diseases, which were labeled and preprocessed before training. The RT-DETR model was trained for 60 epochs to learn visual patterns associated with different disease symptoms on tomato leaves. The experimental results show that RT-DETR achieved an accuracy of 96.1%, indicating excellent performance in automatically detecting and classifying plant diseases. The transformer-based architecture of RT-DETR enables the model to capture both global and local features more effectively, thereby improving the precision of identifying infected leaf areas. Although inference time is higher than that of conventional CNN-based models, its high accuracy makes RT-DETR highly promising for implementation in AI-based crop health monitoring systems. This study contributes to the development of precision agriculture by providing an intelligent approach for the early detection of tomato plant diseases.