ABSTRAK
Pemantauan kesehatan kelapa sawit secara konvensional sering kali
terkendala oleh tingkat subjektivitas yang tinggi dan biaya operasional yang besar.
Penelitian ini bertujuan mengembangkan model Deep Learning berbasis arsitektur
YOLOv8 (yolov8s.pt) untuk mengklasifikasikan kondisi kesehatan pohon sawit
berdasarkan spektrum warna daun pada citra RGB tampak atas. Klasifikasi dibagi
menjadi tiga kategori: Hijau (sehat), Kuning (klorosis/defisiensi hara), dan Coklat
(nekrosis/mati). Dataset sekunder sebanyak 9.566 objek dibagi proporsional untuk
pelatihan (6.727), validasi (1.936), dan pengujian (903) selama 100 epoch. Model
yang dihasilkan kemudian diintegrasikan ke dalam aplikasi web interaktif berbasis
Streamlit untuk pemantauan dan penghitungan populasi pohon secara real-time.
Hasil evaluasi menunjukkan nilai Precision sebesar 74,55%, Recall 73,03%, F1-
Score 0,7378, dan mAP@50 mencapai 65,88%, dengan tingkat akurasi tertinggi
pada kelas Hijau (97%), diikuti Kuning (59%), dan Coklat (52%). Keterbatasan
deteksi pada warna Kuning dan Coklat terutama disebabkan oleh kemiripan gradasi
warna pelepah transisi dan latar tanah. Penelitian ini membuktikan bahwa integrasi
visi komputer dan Deep Learning efektif mengotomatisasi sensus serta pemetaan
kesehatan tanaman untuk mendukung pertanian presisi.
Kata Kunci: Kelapa Sawit, Deteksi Objek, Spektrum Warna Daun, YOLOv8,
Streamlit, Pertanian Presisi.