Electronic Theses and Dissertation

Abstrak – penyakit tanaman padi adalah salah satu faktor utama yang menyebabkan tingginya kerugian gagal panen. penanganan penyakit daun padi yang beragam memerlukan pemahaman yang baik, agar penyakit daun padi dapat dikendalikan sesuai dengan jenisnya. namun, kurangnya penyuluhan mengenai jenis hama di indonesia menjadi sebuah tantangan bagi petani. penelitian ini bertujuan untuk membangun model klasifikasi penyakit daun padi menggunakan dataset rice leafs. dataset ini terdiri dari 4 kelas penyakit, yaitu brown spot, healthy, hispa, dan leaf blast. pelatihan model menggunakan tiga arsitektur yaitu: efficiennet-b0, mobilenet-v2, dan shufflenet dengan menggunakan hyperparameter dengan epoch 200 dan 300, batch size 32, menggunakan optimizer adam dengan leatning rate 〖10〗^(-1) sampai 〖10〗^(-5). berdasarkan hasil evaluasi yang diperoleh dari penelitian ini model mampu mengklasifikasikan jenis kelas penyakit daun padi, dengan didapatkan performa model terbaik pada arsitektur efficientnet-b0 hasil pengujian dengan nilai accuracy 99,52%, precision 99,59%, recall 99,58%, dan f1-score 99,58% pada epoch 300 dengan learning rate 〖10〗^(-4). kata kunci: penyakit tanaman padi,klasifikasi penyakit tanaman padi, efficientnet-b0, mobilenet-v2, dan shufflenet.

Abstract – Rice plant diseases are a major factor leading to high harvest losses. Effective management of various rice leaf diseases requires a comprehensive understanding for precise control. However, the lack of awareness regarding pest types in Indonesia poses a challenge for farmers. This research aims to build a classification model for rice leaf diseases using the Rice Leafs dataset. The dataset consists of 4 disease classes: Brown spot, Healthy, Hispa, and Leaf Blast. Model training employs three architectures: EfficientNet-B0, MobileNet-V2, and ShuffleNet, with hyperparameters set to 200 and 300 epochs, batch size 32, and using the Adam optimizer with a learning rate ranging from 〖10〗^(-1) to 〖10〗^(-5). Based on the evaluation results obtained in this study, the model successfully classifies different classes of rice leaf diseases. The best-performing model was achieved with the EfficientNet-B0 architecture, achieving test accuracy of 99.52%, precision of 99.59%, recall of 99.58%, and an f1-score of 99.58% at epoch 300 with a learning rate of 〖10〗^(-4). Keywords: Rice plant diseases, classification of rice plant diseases, EfficientNet-B0, MobileNet-V2, and ShuffleNet.