Pengembangan Aplikasi Mobile Berbasis Android untuk Mendeteksi Penyakit Kuning (Begomovirus) pada Tanaman Hortikultura

Abstract

Kutu kebul (Bemisia tabaci) adalah hama yang menjadi vektor utama penyebaran penyakit kuning pada tanaman hortikultura, yang disebabkan oleh Begomovirus. Penyakit ini dapat menyebabkan kerugian besar, bahkan hingga gagal panen. Metode identifikasi berbasis laboratorium memiliki akurasi tinggi tetapi kurang efisien karena memerlukan biaya besar, waktu lama, dan prosedur destruktif. Oleh karena itu, diperlukan solusi alternatif yang lebih praktis dan cepat, terutama dengan memanfaatkan teknologi kecerdasan buatan (AI). Penelitian ini bertujuan untuk mengembangkan aplikasi mobile berbasis Android untuk memudahkan mahasiswa dan dosen dalam melakukan identifikasi penyakit kuning pada tanaman hortikultura, pengumpulan data gejala penyakit di lapangan, serta pengelolaan informasi dan galeri data secara terpusat dan efisien. Aplikasi ini menggunakan model deep learning YOLOv8 yang telah dikonversi ke TensorFlow Lite untuk mendeteksi penyakit secara real-time tanpa memerlukan koneksi internet. Metode yang digunakan dalam penelitian ini adalah SDLC waterfall karena kesederhanaan, keteraturan, dan kemudahan implementasinya. Pengujian menggunakan metode black box menunjukkan bahwa seluruh fitur aplikasi berfungsi dengan baik dan memenuhi kebutuhan pengguna. Evaluasi tingkat kegunaan dengan System Usability Scale (SUS) menghasilkan skor 82.70, yang termasuk kategori "Excellent." Hasil ini menunjukkan bahwa aplikasi yang dikembangkan efektif dan memuaskan pengguna.

Whitefly (Bemisia tabaci) is a pest that serves as the primary vector for the spread of yellow disease in horticultural crops, caused by Begomovirus. This disease can lead to significant losses, including crop failure. Laboratory-based identification methods offer high accuracy but are inefficient due to their high costs, lengthy processes, and destructive procedures. Therefore, an alternative solution that is more practical and faster is needed, particularly by leveraging artificial intelligence (AI) technology. This study aims to develop an Android-based mobile application to assist students and lecturers in identifying yellow disease in horticultural crops, collecting disease symptom data in the field, and efficiently managing centralized information and data galleries. The application utilizes the YOLOv8 deep learning model, converted to TensorFlow Lite, to detect the disease in real time without requiring an internet connection. The development process followed the SDLC waterfall method due to its simplicity, structured approach, and ease of implementation. Black-box testing demonstrated that all application features functioned properly and met user needs. Usability evaluation using the System Usability Scale (SUS) yielded a score of 82.70, categorized as "Excellent." These results indicate that the developed application is effective and meets user satisfaction.