Electronic Theses and Dissertation

Penyakit tanaman menjadi ancaman serius bagi produktivitas pertanian, sementara proses identifikasinya secara manual masih terkendala oleh keterbatasan keahlian dan efisiensi waktu. Oleh karena itu, diperlukan suatu sistem yang dapat membantu pengguna dalam melakukan deteksi penyakit tanaman secara cepat dan akurat. Penelitian ini bertujuan untuk merancang dan membangun OxyPlant, yaitu aplikasi web berbasis deep learning untuk mendeteksi penyakit tanaman melalui citra daun. Sistem dikembangkan menggunakan metode Rekayasa Perangkat Lunak (RPL) yang meliputi tahap analisis kebutuhan, perancangan, implementasi, dan pengujian. Aplikasi dibangun menggunakan AdonisJS sebagai backend, MongoDB Atlas sebagai basis data, dan FastAPI sebagai layanan inferensi model. Sistem mengintegrasikan model deteksi berbasis Convolutional Neural Network (CNN) dengan pendekatan Multi-Task Learning dan mekanisme Self-Attention untuk mendukung proses identifikasi penyakit tanaman secara otomatis. Selain fitur deteksi penyakit, sistem juga menyediakan fitur pengelolaan tanaman, informasi tanaman, komunitas pengguna, dan riwayat hasil deteksi. Pengujian fungsional menunjukkan bahwa seluruh fitur sistem berjalan sesuai dengan kebutuhan yang telah ditetapkan. Selain itu, pengujian usability menggunakan metode UMUX memperoleh nilai rata-rata sebesar 82,93%, yang mengindikasikan bahwa aplikasi memiliki tingkat kegunaan yang baik dan dapat diterima oleh pengguna. Dengan demikian, OxyPlant berpotensi menjadi solusi teknologi praktis untuk mendukung deteksi dini penyakit tanaman dan pengelolaan pertanian yang lebih efisien.

Kata kunci : Rekayasa Perangkat Lunak, aplikasi web, deteksi penyakit tanaman, Convolutional Neural Network, OxyPlant.

Plant disease poses a serious threat to agricultural productivity, while manual identification processes remain constrained by limited expertise and time inefficiency. Therefore, a system is needed to assist users in detecting plant diseases quickly and accurately. This study aims to design and develop OxyPlant, a web-based application powered by deep learning for detecting plant diseases through leaf images. The system was developed using the Software Engineering methodology, encompassing the stages of requirements analysis, design, implementation, and testing. The application was built using AdonisJS as the backend framework, MongoDB Atlas as the database, and FastAPI as the model inference service. The system integrates a disease detection model based on a Convolutional Neural Network (CNN) with a Multi-Task Learning approach and a Self-Attention mechanism to support automatic plant disease identification. In addition to disease detection, the system also provides plant management, plant information, user community, and detection history features. Functional testing results indicate that all system features operate in accordance with the specified requirements. Furthermore, usability testing using the UMUX method yielded an average score of 82.93%, indicating that the application falls within the Excellent category and is well accepted by users. Therefore, OxyPlant has the potential to serve as a practical technological solution for supporting early detection of plant diseases and promoting more efficient agricultural management. Keywords : Software Engineering, web application, plant disease detection, Convolutional Neural Network, OxyPlant.