Electronic Theses and Dissertation

Tanaman padi merupakan makanan pokok utama masyarakat indonesia sehingga kestabilan produksinya sangat penting. serangan penyakit dapat menyebabkan penurunan hasil panen yang berdampak negatif terhadap ekonomi petani. penelitian sebelumnya umumnya berfokus pada pembangunan model klasifikasi tanpa implementasi aplikasi yang memadai, dan banyak yang berbasis cloud sehingga membutuhkan koneksi internet. penelitian ini mengembangkan aplikasi klasifikasi kerusakan daun padi berbasis edge ai yang dapat beroperasi tanpa koneksi internet, dengan proses pengembangan mengikuti tahapan software development life cycle (sdlc) mulai dari analisis kebutuhan, perancangan, implementasi, hingga pengujian. aplikasi mengintegrasikan model cnn dan knn yang telah dikonversi ke format onnx pada perangkat jetson orin nano untuk mengenali tiga jenis kerusakan daun padi, yaitu brown spot, iron toxicity, dan rice leaf folder, dengan antarmuka berbasis streamlit yang memungkinkan pengguna mengunggah citra dan memperoleh hasil klasifikasi secara real-time. pengujian dilakukan melalui blackbox testing, performance testing, usability testing dengan metode sus, dan user acceptance testing (uat). hasil blackbox testing menunjukkan seluruh fitur berfungsi sesuai yang diharapkan. usability testing menghasilkan skor sus sebesar 73,50 dengan kategori good; berdasarkan masukan pengguna, dilakukan iterasi perbaikan berupa penyederhanaan tampilan hasil klasifikasi menjadi satu model (cnn) untuk mengurangi kebingungan pengguna. hasil uat menghasilkan persentase sebesar 90,13% yang tergolong dalam kategori sangat baik, mengindikasikan aplikasi dapat diterima dengan baik oleh pengguna akhir. aplikasi yang dikembangkan memberikan solusi praktis bagi petani dalam mengidentifikasi kerusakan daun padi secara mandiri tanpa bergantung pada koneksi internet. kata kunci: daun padi, edge ai, onnx, sdlc, streamlit.

Rice is the main staple food for the Indonesian people, so stable production is crucial. Disease attacks on rice plants can cause significant yield reductions and negatively impact farmers' economic welfare. Previous studies have generally focused on building classification models without adequate application implementation, and many are cloud-based, requiring an internet connection. This study develops a rice leaf damage classification application based on Edge AI that can operate without an internet connection, with the development process following the stages of the Software Development Life Cycle (SDLC), starting from requirements analysis, design, implementation, to testing. The application integrates CNN and KNN models converted to ONNX format on the NVIDIA Jetson Orin Nano device to recognize three types of rice leaf damage, namely brown spot, iron toxicity, and rice leaf folder, with a Streamlit-based interface that allows users to upload images and obtain classification results in real-time. Testing was conducted through blackbox testing, performance testing, usability testing using the System Usability Scale (SUS) method, and User Acceptance Testing (UAT). Blackbox testing results showed that all application features functioned as expected. Usability testing produced an SUS score of 73.50 with a Good category; based on user feedback, an iteration was carried out to simplify the classification result display to a single model (CNN) in order to reduce user confusion. UAT results yielded a percentage of 90.13%, classified as Very Good, indicating the application is well accepted by end users. The developed application provides a practical solution for farmers in identifying rice leaf damage independently without relying on an internet connection. Keywords: Edge AI, ONNX, Rice Leaf, SDLC, Streamlit