DETEKSI PENYAKIT DAUN TEH MENGGUNAKAN ROBOFLOW DETECTION TRANSFORMER DAN SEGMENT ANYTHING MODEL

Penyakit daun teh dapat menurunkan kualitas dan produktivitas tanaman, sehingga identifikasi lesi yang dini dan akurat menjadi penting dalam pengelolaan penyakit. Namun, sebagian besar penelitian sebelumnya mengenai daun teh lebih berfokus pada klasifikasi gambar atau deteksi kotak pembatas daripada segmentasi pada tingkat lesi. Penelitian ini mengusulkan alur kerja segmentasi instans penyakit daun teh dengan menggabungkan anotasi human-in-the-loop (HITL) yang dibantu oleh Segment Anything Model (SAM) dengan Roboflow Detection Transformer Segmentation (RF-DETR-Seg). Sebagian dari dataset TeaLeafBD yang berisi 1.050 gambar dari tujuh kelas dianotasi untuk menghasilkan masker lesi berbasis poligon. Dua pengaturan eksperimental dievaluasi: model baseline dan model augmentasi konservatif. Kinerja dinilai menggunakan metrik COCO dan metrik segmentasi khusus, termasuk Precision, Recall, F1-score, IoU, dan Dice. Hasil menunjukkan bahwa augmentasi konservatif secara umum meningkatkan kinerja segmentasi. Model augmentasi mencapai 0,378 AP@50–95, 0,617 AP@50, dan 0,446 AR@100, mengungguli model dasar pada sebagian besar metrik COCO. Model ini juga meningkatkan IoU rata-rata dari 0,760 menjadi 0,775 dan Dice rata-rata dari 0,857 menjadi 0,866, yang menunjukkan tumpang tindih masker dan cakupan lesi yang lebih baik. Secara keseluruhan, temuan ini menunjukkan bahwa RF-DETR Seg yang dikombinasikan dengan anotasi berbantuan SAM merupakan pendekatan yang menjanjikan untuk segmentasi instans penyakit daun teh, meskipun masih terdapat tantangan terkait kelas lesi yang secara visual serupa dan terfragmentasi.

Kata Kunci: Penyakit daun teh, segmentasi instans, RF-DETR-Seg, Segment Anything Model, Human-in-the-Loop Annotation