Electronic Theses and Dissertation

Cabai merupakan salah satu komoditas utama pertanian di Indonesia yang rentan terhadap penyakit bercak daun (Cercospora leaf spot) akibat infeksi Cercospora capsici, dengan potensi kerugian panen hingga 40%. Deteksi penyakit secara konvensional yang mengandalkan pengamatan visual dinilai lambat, tidak efisien, dan subjektif. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi dini penyakit bercak daun secara otomatis dan real-time dengan memanfaatkan Deep Learning dan teknologi Edge AI. Pendekatan yang digunakan dalam penelitian ini adalah model deteksi objek YOLOv8. Pada tahap pra-pemrosesan data, metode Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan untuk meningkatkan kualitas citra gambar. Model yang telah dilatih kemudian dioptimalkan dan diimplementasikan pada perangkat Edge AI NVIDIA Jetson Orin Nano. Penggunaan perangkat ini memungkinkan sistem melakukan inferensi dengan latensi rendah secara langsung di lapangan tanpa bergantung pada koneksi internet. Selain itu, antarmuka pengguna yang visual dan interaktif dikembangkan menggunakan framework Streamlit untuk memudahkan pengoperasian oleh pengguna.Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, spesifisitas, F1-score, dan mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model tanpa penerapan CLAHE mencapai nilai akurasi, presisi, recall, spesifisitas, dan F1-score sebesar 98%, serta mAP50-95 sebesar 79%. Sementara itu, model dengan penerapan CLAHE mencapai akurasi dan spesifisitas hingga 99%, namun mengalami penurunan pada metrik presisi (92,2%), recall (85,6%), dan F1-score (88,8%), dengan nilai mAP50-95 yang konstan pada 79%. Nilai Intersection over Union (IoU) yang melampaui 90% menunjukkan tingkat akurasi lokalisasi deteksi yang sangat baik. Hasil dari penelitian ini adalah sistem aplikasi deteksi penyakit tanaman yang efisien, yang diharapkan dapat membantu petani mengelola penyakit secara dini, mengambil keputusan dengan cepat untuk meminimalkan kerugian ekonomi, serta mendorong penerapan teknologi pintar pertanian yang lebih berkelanjutan.
Kata Kunci: Cercospora capsici, CLAHE, Edge AI, Streamlit, YOLOv8

Chili is one of the main agricultural commodities in Indonesia that is vulnerable to leaf spot disease (Cercospora leaf spot) caused by Cercospora capsici infection, with potential harvest losses of up to 40%. Conventional disease detection relying on visual observation is considered slow, inefficient, and subjective. Therefore, this study aims to develop an automatic and real-time early detection system for leaf spot disease by utilizing Deep Learning and Edge AI technologies. The approach used in this research is the YOLOv8 object detection model. In the data pre-processing stage, the Contrast Limited Adaptive Histogram Equalization (CLAHE) method was applied to enhance image quality. The trained model was then optimized and implemented on an NVIDIA Jetson Orin Nano Edge AI device. The use of this device allows the system to perform low-latency inference directly in the field without relying on an internet connection. In addition, a visual and interactive user interface was developed using the Streamlit framework to facilitate user operation. Model performance evaluation was conducted using accuracy, precision, recall, specificity, F1-score, and mean Average Precision (mAP) metrics. The test results showed that the model without CLAHE application achieved accuracy, precision, recall, specificity, and F1-score values of 98%, as well as an mAP50-95 of 79%. Meanwhile, the model with CLAHE application achieved up to 99% accuracy and specificity, but experienced a decrease in precision (92.2%), recall (85.6%), and F1-score (88.8%) metrics, with the mAP50-95 value remaining constant at 79%. An Intersection over Union (IoU) value exceeding 90% indicates an excellent level of detection localization accuracy. The result of this research is an efficient plant disease detection application system, which is expected to assist farmers in managing diseases early, making quick decisions to minimize economic losses, and promoting the implementation of more sustainable smart agricultural technologies. Keywords: Cercospora capsici, CLAHE, Edge AI, Streamlit, YOLOv8