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%.