Electronic Theses and Dissertation

Kedelai merupakan salah satu tanaman pangan jenis polong-polongan yang cukup penting di indonesia. namun, dalam produktivitas tanaman kedelai tergolong masih rendah, dikarenakan banyaknya gangguan penyakit yang dapat menyerang tanaman kedelai, baik berupa hama, jamur, maupun bakteri. pada cuaca yang lembab, tanaman kedelai ini seringkali terserang penyakit hawar daun yang disebabkan oleh bakteri pseudomonas syringae pv. glycinea. penyakit ini merupakan salah satu penyakit penting pada tanaman kedelai yang dapat menyebabkan terjadinya gugur daun, serta dapat menyerang polong sehingga mengganggu proses pembentukan biji. tidak hanya hawar, karat daun juga menjadi salah satu penyakit daun yang mudah menyerang ketika cuaca lembab, dimana penyakit ini juga dapat menyerang polong dan mengakibatkan kerontokan pada daun. oleh karena itu, penelitian ini bertujuan untuk melakukan deteksi dan klasifikasi penyakit hawar dan karat daun pada tanaman kedelai yang diawali dengan pengambilan dataset di sejumlah kebun kedelai yang berada di kecamatan seulimum dan lembah seulawah, yaitu di desa lamteuba, lampanah leungah, dan sukadamai. dataset dibagi dalam tiga kelas, yaitu kelas daun normal, hawar daun, dan karat daun. adapun arsitektur yang digunakan adalah efficientnet b4 dan residual network (resnet)-50 dengan luaran berupa dataset baru. hasil evaluasi pelatihan menunjukkan bahwa model arsitektur efficientnet b4 memiliki hasil yang lebih baik dibandingkan resnet-50 menggunakan learning rate 10-5 dan batch size 16 . performa yang dihasilkan efficientnet b4 meliputi akurasi sebesar 99%, precision 99%, recall (sensitivity) 99%, dan f1-score 99%.

Soybean is one of the important legume crops in Indonesia. However, its productivity is still relatively low due to various disease disturbances that can affect soybean plants, including pests, fungi, and bacteria. In humid weather, soybean plants are often affected by leaf blight disease caused by the bacterium Pseudomonas syringae pv. glycinea. This disease is one of the significant diseases in soybean plants, leading to leaf drop and affecting pod formation. Not only blight, but rust is also another leaf disease that easily attacks in humid weather, affecting pods and causing leaf shedding. Therefore, this research aims to detect and classify leaf blight and rust diseases in soybean plants, starting with data collection from several soybean gardens in Seulimum and Seulawah Valley districts, namely Lamteuba, Lampanah Leungah, and Sukadamai villages. The dataset is divided into three classes: normal leaves, leaf blight, and leaf rust. The architectures used are EfficientNet-B4 and Residual Network (ResNet)-50, with the output being a new dataset. The training evaluation results show that the EfficientNet B4 architecture performs better than ResNet-50 using a learning rate of 10-5 and a batch size of 16. The performance of EfficientNet B4 includes an accuracy of 99%, precision of 99%, recall (sensitivity) of 99%, and f1-score of 99%.