Electronic Theses and Dissertation

Tanaman kentang (Solanum tuberosum) merupakan salah satu tanaman pangan utama yang memiliki peranan penting dalam ekonomi global dan ketahanan pangan. Tanaman ini dikenal dengan umbinya yang kaya akan karbohidrat, vitamin, dan mineral, yang merupakan sumber utama gizi bagi manusia. Dalam aspek pertanian, kentang adalah tanaman yang tumbuh subur di berbagai iklim dan ketinggian, memungkinkan adaptasinya di berbagai wilayah dunia. Pengembangan tanaman kentang yang tahan terhadap penyakit dan kondisi lingkungan tertentu menjadi fokus utama dalam upaya meningkatkan produktivitas dan ketahanan tanaman ini, dan faktor lainnya rentannya penyakit yang terinfeksi juga pada daun kentang. Penyakit pada daun kentang dapat menyebabkan kerugian ekonomi yang signifikan jika tidak dideteksi dan diatasi dengan cepat. Oleh karena itu, penelitian ini melakukan pengembangan model untuk mendeteksi penyakit pada daun kentang menggunakan arsitektur dari Convolutional Neural Network (CNN), yaitu Residual Network (ResNet)-50 dan EfficientNetB4 dimana citra terbagi ke dalam 3 kelas, yaitu early blight, late blight dan normal. Hasil evaluasi pelatihan menunjukkan bahwa model pada learning rate 10-5 mendapatkan hasil terbaik secara keseluruhan di setiap batch size pada kedua arsitektur yang digunakan, yaitu pada Residual Network (ResNet)-50 dan EfficientNetB4 dengan akurasi sebesar 98%, precision 98%, recall 98%, dan F1-score 98%.

The potato plant (Solanum tuberosum) is one of the major staple crops that plays a significant role in the global economy and food security. This plant is known for its tubers, which are rich in carbohydrates, vitamins, and minerals, serving as a primary source of nutrition for humans. In agriculture, potatoes thrive in various climates and altitudes, allowing for their adaptation in different regions worldwide. Developing potato plants resistant to diseases and specific environmental conditions is a key focus in efforts to enhance productivity and resilience. Another factor is the vulnerability of potato leaves to diseases, which can lead to significant economic losses if not detected and addressed promptly. Therefore, this research develops a model to detect diseases on potato leaves using Convolutional Neural Network (CNN) architectures, namely Residual Network (ResNet)-50 and EfficientNetB4, where images are classified into three categories: early blight, late blight, and normal. The evaluation results indicate that the model, at a learning rate of 10-5, achieved the best overall performance across all batch sizes for both architectures used, with an accuracy of 98%, precision of 98%, recall of 98%, and F1-score of 98%.