ANALISIS YOLOv11n UNTUK DETEKSI PENYAKIT DAUN PISANG DENGAN KETIDAKSEIMBANGAN KELASZaky FauzanHabibauthorPenyakit daun pisang merupakan salah satu ancaman utama bagi produksi pisang di Indonesia, yang dapat menurunkan kualitas dan kuantitas hasil pertanian. Oleh karena itu, deteksi dini terhadap penyakit daun pisang sangat penting untuk meminimalkan kerugian ekonomi yang ditimbulkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penyakit daun pisang secara otomatis menggunakan model deteksi objek YOLOv11n. Metode yang digunakan mencakup pengumpulan dataset daun pisang yang terinfeksi berbagai jenis penyakit dari platform Roboflow, yang kemudian dilakukan proses pra-pemrosesan dan augmentasi data untuk mengatasi ketidakseimbangan kelas dalam dataset. Model YOLOv11n dilatih dengan menggunakan teknik augmentasi data seperti flip horizontal, flip vertikal, grayscale, Gaussian blur, dan Gaussian noise untuk meningkatkan keberagaman data pelatihan. Hasil penelitian menunjukkan bahwa model YOLOv1n berhasil mencapai kinerja yang baik dalam mendeteksi penyakit daun pisang dengan skor mAP@50 sebesar 87.8% pada epoch ke 10, yang kemudian stabil pada 87.1% setelah 40 epoch. Evaluasi menggunakan metrik F1Confidence dan Recall-Confidence menunjukkan bahwa model ini memiliki keseimbangan yang baik antara presisi dan recall, dengan nilai F1-Confidence ratarata 0.82 dan Recall-Confidence 0.96 pada epoch ke-10. Dengan demikian, model YOLOv11n ini dapat diandalkan untuk deteksi penyakit daun pisang secara realtime dan memberikan kontribusi signifikan terhadap pengelolaan tanaman pisang yang lebih efisien. Penelitian ini juga memberikan solusi praktis bagi petani untuk memantau kesehatan tanaman dengan teknologi yang mudah diakses.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-24Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis