RANCANG BANGUN SISTEM DETEKSI DINI PENYAKIT GANODERMA PADA KELAPA SAWIT BERBASIS WEB MENGGUNAKAN YOLOv26

Industri kelapa sawit di Indonesia menghadapi ancaman kerugian ekonomi masif hingga 250 juta dolar AS per tahun akibat penyakit Busuk Pangkal Batang yang disebabkan oleh jamur Ganoderma boninense. Gejala serangan awal penyakit asimtomatis ini sangat sulit diidentifikasi secara visual biasa (RGB), namun karakteristik hambatan aliran air pada pembuluh xilem tanaman terbukti memicu anomali distribusi radiasi panas yang dapat ditangkap menggunakan sensor citra termal. Penelitian ini bertujuan untuk merancang bangun sistem Dashboard Monitoring berbasis web yang berfokus pada modul lokalisasi spasial objek pangkal batang (Region of Interest) kelapa sawit menggunakan arsitektur state-of-the-art YOLOv26 sebagai fondasi utama pemetaan wilayah perkebunan secara terpadu. Metode eksperimen dilakukan dengan membandingkan performa model YOLOv26 From Scratch dengan pendekatan Cross-Domain Transfer Learning dari spektrum RGB. Luaran koordinat kotak pembatas (bounding box) dari model terbaik diintegrasikan secara asinkronus ke dalam antarmuka klien menggunakan framework React.js didukung build tool Vite dan Python API pada sisi backend. Hasil pengujian menunjukkan model lokalisasi YOLOv26 murni (From Scratch) mencapai performa sangat tinggi dengan nilai Mean Average Precision (mAP@50) sebesar 98,92%, Precision 96,44%, dan Recall mencapai 98,59%. Seluruh komponen fungsionalitas visualisasi spasial (Mapping View) pada sistem web dinyatakan berjalan dengan responsif, presisi, dan bebas bug melalui pengujian Black Box Testing dengan hasil kelolosan 100%. Penelitian ini memberikan kesimpulan bahwa hilirisasi arsitektur deteksi objek YOLOv26 ke dalam platform web berhasil diwujudkan sebagai instrumen lokalisasi spasial batang sawit yang andal dan siap diintegrasikan secara kolektif dengan modul diagnosis penyakit dari riset pendamping.