Application of Yolov11 for Corn Plant Disease Detection Based on Leaf Images

Velen Shinta; Agus Suhendar

doi:10.58526/jsret.v4i4.977

Authors

Velen Shinta Universitas Teknologi Yogyakarta
Agus Suhendar

DOI:

https://doi.org/10.58526/jsret.v4i4.977

Keywords:

yolov11, corn disease detection, computer vision, deep learning, bounding box, precision, recall, mAP@50

Abstract

This study develops a corn leaf disease detection system using the YOLOv11 algorithm to overcome the limitations of manual identification, which is often subjective and slow. The dataset from Roboflow was converted to the object detection format with four classes (Leaf Spot, Blight, Rust, Healthy), annotated with bounding boxes, split in a 70:20:10 proportion, and optimized through preprocessing and data augmentation. The model was trained for 150 epochs, yielding an average precision of 0.785, a recall of 0.662, and an mAP@0.5 of 0.717 from 80 test images. The Healthy class performed superiorly (mAP 0.988), while the Leaf Spot class was the lowest (mAP 0.471) due to the variation of complex lesions. The confusion matrix confirmed prediction consistency. The main advantage is the detection of specific disease locations via bounding boxes, complementing previous classification approaches. This system has the potential to support automatic diagnosis and effective precision agriculture management.

Downloads

Download data is not yet available.

References

A, Annisa Mustika; H, Teguh Iman; N, I. M. (2025). KLASIFIKASI PENYAKIT DAUN SINGKONG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR VGG16 BERBASIS ANDROID. 11(1), 53–59.

Daffa Nazmi Alwan, Dr.Hanny Hikmayanti Handayani, & Sutan Faisal. (2024). Implementasi YOLOv8 Untuk Deteksi Penyakit Daun Jagung Menggunakan Algoritma Convolutional Neural Network (CNN). Scientific Student Journal for Information, Technology and Science, Vol. V No: 2, 67–75.

Hamsinar, H., Musadat, F., Prodi, D., Informatika, T., Informatika, M. T., Dayanu, U., Baubau, I., & Tenggara, S. (2019). Penerapan Metode Backward Chaining Pada Sistem. Jurnal Informatika, 8(1), 60–64. https://doi.org/https://doi.org/10.2016/jiu.v8i1.116

Hendrayana, F., Lestari, N. A., Muis, A., & Azrai, M. (2020). KETAHANAN BEBERAPA VARIETAS JAGUNG HIBRIDA TERHADAP BEBERAPA PENYAKIT PENTING JAGUNG DI INDONESIA. Jurnal Agriovet, 3(1), 25. https://doi.org/10.51158/agriovet.v3i1.419

HumasLIP. (2025). Produksi Jagung Nasional Meningkat 9,34 Persen Sepanjang 2025. Direktoral Jenderal Lahan Dan Irigasi Pertanian. https://lahanirigasi.pertanian.go.id/berita/produksi-jagung-nasional-meningkat-934-persen-sepanjang-2025

Karim, H. A., HG, M. Y., Kandatong, H., Hasan, H., Hikmahwati, H., & Fitrianti, F. (2020). Uji Produktivitas Berbagai Varietas Jagung (Zea mays L.) Hibrida dan Non Hibrida yang Sesuai pada Agroekosistem Kabupaten Polewali Mandar. AGROVITAL : Jurnal Ilmu Pertanian, 5(1), 25. https://doi.org/10.35329/agrovital.v5i1.635

Kurniawan, H. A., Kristalisasi, N., & Himawan, A. (2025). Identifikasi Penyakit Pada Tanaman Jagung (Zea mays L.) Di Desa Nibung Kecamatan Gunung Pelindung Kabupaten Lampung Timur. Agrovoretech, 20(20), 1057–1065.

Mohti, Q. A., Wahyudi, R., & Mustofa, M. H. (2024). Penerapan Metode Yolo V5 Dalam Mendeteksi Penyakit Tanaman Buah Naga. STAINS (Seminar Nasional Teknologi & Sains), 3(1), 318–323. https://doi.org/https://doi.org/10.29407/e5m5x682

Safei, P. I. (2025). Klasifikasi Penyakit Daun Jagung (Zea Mays L.) Menggunakan Yolov11 [Institut Teknologi Sumatra]. https://repo.itera.ac.id/depan/submission/SB2510250008

Septian, R. D., Afifah, L., Surjana, T., Saputro, N. W., & Enri, U. (2021). Identifikasi dan Efektivitas Berbagai Teknik Pengendalian Hama Baru Ulat Grayak Spodoptera frugiperda J. E. Smith pada Tanaman Jagung berbasis PHT- Biointensif. Jurnal Ilmu Pertanian Indonesia, 26(4), 521–529. https://doi.org/10.18343/jipi.26.4.521

Statistik, B. P. (2025). Luas panen jagung pipilan pada Oktober 2025 sebesar 0,20 juta hektare, dengan Produksi jagung pipilan kering dengan kadar air 14 persen sebanyak 1,24 juta ton. Badan Pusat Statistik. https://www.bps.go.id/id/pressrelease/2025/12/01/2513/luas-panen-jagung-pipilan-pada-oktober-2025-sebesar-0-20-juta-hektare--dengan-produksi-jagung-pipilan-kering-dengan-kadar-air-14-persen-sebanyak-1-24-juta-ton.html

Sulistiyana, F., & Anardani, S. (2023). Aplikasi Deteksi Penyakit Tanaman Jagung Dengan Convolutional Neural Network dan Support Vector Machine. Seminar Nasional Teknologi Informasi Dan Komunikasi, 423–432.

Wahyudi, W., Selviani, Z., Wati, T. A. S., Sari, N. N. Y. P., Jayanti, W. H., Dirmawati, S. R., Aeny, T. N., & Suharjo, R. (2025). Kajian taksonomi penyakit bulai pada tanaman jagung dan pengendaliannya. Jurnal Proteksi Agrikultura, 2Statistik(1), 13–21. https://doi.org/10.23960/jpa.1213-21

Widianto, B., Utami, E., & Ariatmanto, D. (2023). Identifikasi Penyakit Tanaman Jagung Berdasarkan Citra Daun Menggunakan Convolutional Neural Network. Techno.Com, 22(3), 599–608. https://doi.org/10.33633/tc.v22i3.8425

Yusuf, M., Kurniawan, D., & Agustin, T. (2024). Klasifikasi Penyakit Tanaman Jagung Dengan Kecerdasan Buatan Berbasis CNN. Seminar Nasional Amikom Surakarta (SEMNASA), November, 355–368.