Electronic Theses and Dissertation

Dataran tinggi gayo yang meliputi aceh tengah, bener meriah dan gayo lues merupakan daerah penghasil kopi terbesar di indonesia yang menyumbang sekitar 25% kopi arabika. salah satu ancaman pada tanaman kopi adalah serangan patogen hemileia vastatrix penyebab karat daun kopi yang dapat mengganggu proses fotosintesis dan menurunkan hasil produksi. gejala penyakit karat daun berupa bintik klorotik kecil (kuning pucat) pada sisi bawah daun, yang kemudian berkembang membentuk spora berwarna oranye cerah dan menonjol di permukaan bawah daun. metode identifikasi gejala penyakit tanaman di lapangan biasanya dilakukan secara konvensional. namun, metode konvensional memiliki kekurangan seperti memiliki ketergantungan subjektif, membutuhkan waktu yang lama dan kurang akurat. oleh karena itu, diperlukan pendekatan yang lebih efisien dan akurat untuk mendeteksi dan mengklasifikasikan gejala karat daun kopi.dengan memanfaatkan teknologi deep learning dengan menggunakan arsitektur cnn (convolutional neural network). cnn telah dilaporkan mampu mendeteksi gejala penyakit pada tanaman, namun belum ada dataset spesifik lokal untuk kopi arabika gayo. penelitian ini bertujuan untuk menguji performa model teachable machine dengan metode cnn dalam mendeteksi gejala penyakit karat daun kopi arabika gayo . sampel daun kopi arabika gayo diperoleh dari tiga kebun kopi arabika gayo di tiga di desa berbeda yaitu desa daling, bahgie dan blang gele, kecamatan bebesen, kabupaten aceh tengah. sebanyak 800 daun kopi yang diperoleh dari ketiga kebun tersebut kemudian diklasifikasikan pada 4 level keparahan, yaitu level 0 (sehat), level 1 (ringan), level 2 (sedang) dan level 3 (berat). daun kopi yang telah diklasifikasi dipotret menggunakan kamera ponsel pintar (smartphone) dengan resolusi ganda 12 mp di dalam photobox portable dengan latar belakang hitam.citra kemudian dipisahkan menjadi 70% (560 citra) untuk data training dan 30% (240 citra) sebagai dataset testing. data training diaugmentasi untuk menambah variasi citra daun dengan memutar citra (rotasi 90o, 180o, 270o, dan 360o) dan tingkat kecerahan citra (kontras -50, 0, dan +50) sehingga diperoleh 6.720 citra. proses augmentasi tidak dilakukan pada dataset testing untuk menjaga keaslian distribusi data asli. dataset training kemudian diunggah pada teachable machine dan diberi label sesuai dengan level keparahannya. penelitian ini menggunakan tiga model teachable machine yang berbeda dengan tiga variasi epoch (40, 60 dan 80), sementara ukuran batch (batch size) dan tingkat pembelajaran (learning rate) diatur tetap sama pada nilai 64 dan 0,001. setelah proses pelatihan kemudian dataset testing diuji secara manual dengan mengunggah setiap sampel citra dari dataset pengujian ke fitur preview pada teachable machine. setiap citra diuji untuk memperoleh prediksi kelas yang mencerminkan tingkat keparahan penyakit. hasil prediksi tersebut kemudian dicatat secara sistematis untuk keperluan analisis lebih lanjut menggunakan metrik evaluasi yang meliputi akurasi (accuracy), presisi (precision), recall, dan f1-score. hasil dari analisis menunjukkan bahwa model epoch 40 dan 80 memiliki nilai akurasi yang sama yaitu 87,50% dengan waktu training 3 menit 29 detik dan 7 menit 30 detik, secara berurutan. model epoch 60 memiliki nilai akurasi 87,08% dengan waktu training selama 6 menit 22 detik. dari hasil penelitian dapat disimpulkan bahwa teachable machine dapat digunakan untuk membangun model deteksi penyakit karat daun kopi arabika gayo dengan mempertimbangkan nilai epoch, batch size dan learning rate untuk menghasilkan model teachable machine dengan tingkat akurasi yang tinggi.

The Gayo Highlands—comprising Central Aceh, Bener Meriah, and Gayo Lues—constitute Indonesia's largest coffee-producing region, accounting for approximately 25% of the country's Arabica coffee output. A significant threat to coffee plants is the pathogen Hemileia vastatrix, the causative agent of coffee leaf rust, which disrupts photosynthesis and reduces yields. Symptoms of the disease manifest as small chlorotic (pale yellow) spots on the underside of leaves; these subsequently develop into bright orange, protruding spore structures on the leaf's lower surface. Field identification of plant disease symptoms is typically conducted using conventional methods. However, these methods suffer from drawbacks such as subjectivity, time-consuming processes, and limited accuracy. Consequently, a more efficient and accurate approach is required to detect and classify coffee leaf rust symptoms by leveraging deep learning technology—specifically, the Convolutional Neural Network (CNN) architecture. While CNNs have proven capable of detecting plant disease symptoms, there is currently no specific local dataset available for Gayo Arabica coffee. This study aims to evaluate the performance of a Teachable Machine model utilizing the CNN method in detecting leaf rust symptoms in Gayo Arabica coffee. Samples of Gayo Arabica coffee leaves were obtained from three plantations located in different villages—Daling, Bahgie, and Blang Gele—within the Bebesen District of Central Aceh Regency. A total of 800 coffee leaves collected from these plantations were classified into four severity levels: Level 0 (healthy), Level 1 (mild), Level 2 (moderate), and Level 3 (severe). The classified leaves were photographed using a smartphone camera (12 MP resolution) inside a portable photobox against a black background. The resulting images were then split into a training set (70% or 560 images) and a testing set (30% or 240 images). The training data underwent augmentation to increase image variety—specifically through rotation (90°, 180°, 270°, and 360°) and brightness adjustment (contrast levels of -50, 0, and +50)—resulting in a total of 6,720 images. Augmentation was not applied to the testing dataset to preserve the authenticity of the original data distribution. The training dataset was then uploaded to Teachable Machine and labeled according to severity level. This study employed three different Teachable Machine models with varying epoch counts (40, 60, and 80), while the batch size and learning rate remained constant at 64 and 0.001, respectively. Following the training process, the testing dataset was evaluated manually by uploading individual sample images to the Teachable Machine preview feature. Each image was tested to obtain a class prediction reflecting the disease severity level. These predictions were systematically recorded for further analysis using evaluation metrics, including accuracy, precision, recall, and F1-score. The analysis results indicate that the models trained for 40 and 80 epochs achieved the same accuracy of 87.50%, with training times of 3 minutes 29 seconds and 7 minutes 30 seconds, respectively. The model trained for 60 epochs achieved an accuracy of 87.08% with a training time of 6 minutes 22 seconds. The study concludes that Teachable Machine can be used to develop a detection model for coffee leaf rust in Gayo Arabica coffee by optimizing parameters such as the number of epochs, batch size, and learning rate to achieve high model accuracy.