Electronic Theses and Dissertation

Penyakit karat daun kopi (Hemileia vastatrix) merupakan salah satu penyakit utama
yang menyerang tanaman kopi dan dapat menyebabkan penurunan produktivitas serta
kualitas hasil panen. Penyakit ini mengganggu proses fotosintesis tanaman, memicu
kerontokan daun, dan berpotensi menimbulkan kerugian ekonomi bagi petani, khususnya
pada kopi Arabika Gayo yang menjadi salah satu komoditas unggulan Indonesia. Identifikasi
tingkat keparahan penyakit umumnya masih dilakukan secara manual melalui pengamatan
visual oleh petani atau tenaga ahli, sehingga membutuhkan waktu yang relatif lama dan
berpotensi menimbulkan kesalahan akibat subjektivitas pengamatan. Oleh karena itu,
diperlukan suatu metode otomatis yang mampu mengidentifikasi tingkat serangan penyakit
karat daun kopi secara cepat, akurat, dan konsisten. Salah satu pendekatan yang dapat
digunakan adalah Deep Learning berbasis Convolutional Neural Network (CNN), yang
memiliki kemampuan tinggi dalam mengekstraksi fitur citra dan melakukan klasifikasi
secara otomatis.
Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat serangan
penyakit karat daun kopi Arabika Gayo menggunakan metode Convolutional Neural
Network (CNN). Dataset yang digunakan terdiri dari citra daun kopi yang dikelompokkan
ke dalam empat kelas tingkat keparahan, yaitu Level 0 (sehat), Level 1 (serangan ringan),
Level 2 (serangan sedang), dan Level 3 (serangan berat). Penelitian dilakukan dengan
membandingkan empat arsitektur CNN, yaitu AlexNet, MobileNetV2, ResNet18, dan
ResNet50. Selain itu, dilakukan proses optimasi hyperparameter yang meliputi Optimizer,
Learning rate, Batch size, dan Epoch untuk memperoleh konfigurasi terbaik pada setiap
model.
Hasil pengujian menunjukkan bahwa Optimizer SGD memberikan performa yang
lebih stabil dibandingkan Adam pada sebagian besar kombinasi hyperparameter. Learning
rate 0,0001 menghasilkan performa terbaik dibandingkan Learning rate 0,0005 dan 0,001.
Sementara itu, Batch size 16 dan Epoch 100 dipilih sebagai konfigurasi optimal karena
menghasilkan akurasi tertinggi pada model terbaik. Berdasarkan hasil evaluasi
menggunakan Confusion Matrix, accuracy, Precision, recall, dan F1-score, diperoleh bahwa
arsitektur AlexNet memberikan performa terbaik dengan nilai accuracy sebesar 85,00%,
diikuti oleh MobileNetV2 sebesar 83,33%, ResNet18 sebesar 81,67%, dan ResNet50 sebesar
78,33%. Hasil penelitian menunjukkan bahwa metode CNN mampu mengklasifikasikan
tingkat serangan penyakit karat daun kopi Arabika Gayo dengan performa yang baik.
Arsitektur AlexNet menjadi model yang paling optimal dalam penelitian ini karena mampu
menghasilkan tingkat akurasi tertinggi dibandingkan arsitektur lainnya. Penelitian ini
diharapkan dapat menjadi dasar dalam pengembangan sistem deteksi penyakit tanaman kopi
secara otomatis yang dapat membantu petani dan pihak terkait dalam melakukan
pemantauan kondisi tanaman secara lebih cepat, akurat, dan efisien

Coffee leaf rust (*Hemileia vastatrix*) is one of the most destructive diseases affecting coffee plants, leading to significant reductions in both crop productivity and bean quality. The disease disrupts the photosynthetic process, causes premature leaf defoliation, and may result in substantial economic losses for farmers, particularly those cultivating Gayo Arabica coffee, one of Indonesia's leading specialty coffee commodities. The severity of coffee leaf rust is generally assessed manually through visual inspection by farmers or agricultural experts. However, this approach is time-consuming and prone to subjective judgment, which may reduce the consistency and accuracy of disease assessment. Therefore, an automated method capable of identifying the severity level of coffee leaf rust quickly, accurately, and consistently is required. One promising approach is Deep Learning based on Convolutional Neural Networks (CNNs), which have demonstrated excellent capability in extracting image features and performing automatic image classification. This study aims to develop a classification model for the severity levels of coffee leaf rust in Gayo Arabica coffee using the Convolutional Neural Network (CNN) method. The dataset consists of coffee leaf images categorized into four severity levels: Level 0 (Healthy), Level 1 (Mild Infection), Level 2 (Moderate Infection), and Level 3 (Severe Infection). Four CNN architectures were evaluated and compared, namely AlexNet, MobileNetV2, ResNet18, and ResNet50. In addition, hyperparameter optimization was performed by evaluating different configurations of the optimizer, learning rate, batch size, and number of epochs to determine the optimal settings for each model. The experimental results indicate that the SGD optimizer provided more stable performance than Adam across most hyperparameter combinations. A learning rate of 0.0001 produced better performance than learning rates of 0.0005 and 0.001. Furthermore, a batch size of 16 and 100 epochs were selected as the optimal configuration because they achieved the highest classification accuracy for the best-performing model. Based on the evaluation using the Confusion Matrix, including accuracy, precision, recall, and F1-score, AlexNet achieved the best overall performance with an accuracy of 85.00%, followed by MobileNetV2 (83.33%), ResNet18 (81.67%), and ResNet50 (78.33%). These findings demonstrate that CNN-based models are capable of effectively classifying the severity levels of coffee leaf rust in Gayo Arabica coffee. Among the evaluated architectures, AlexNet proved to be the most effective by achieving the highest classification accuracy. This research is expected to serve as a foundation for the development of automated coffee plant disease detection systems that can assist farmers and relevant stakeholders in monitoring plant health more quickly, accurately, and efficiently.