| dc.description.abstract | Penyakit blas yang disebabkan oleh Pyricularia oryzae merupakan penyakit utama pada tanaman padi yang dapat menurunkan produktivitas tanaman hingga 50%. Informasi mengenai tingkat severitas penyakit memiliki peran penting dalam mendukung pengambilan keputusan pengendalian penyakit serta pemantauan perkembangan penyakit di lapangan. Namun, penilaian tingkat keparahan penyakit di lapangan umumnya masih dilakukan secara visual menggunakan mata pengamat sehingga bersifat subjektif dan kurang efisien. Penelitian ini bertujuan mengembangkan model deep learning berbasis citra digital untuk mengestimasi severitas penyakit blas pada tanaman padi. Penelitian menggunakan 1.200 citra daun padi sehat dan bergejala blas yang telah diidentifikasi secara mikroskopik. Pelabelan citra daun padi dilakukan berdasarkan skor standard evaluation system (SES) IRRI dengan rentang skor 0, 1, 3, 5, 7, dan 9. Model prediksi severitas dibangun menggunakan arsitektur EfficientNet-B0 dengan pendekatan transfer learning dan fine-tuning. Penyusunan model dilakukan menggunakan parameter batch size 8, 16, dan 32. Hasil penelitian menunjukkan bahwa model terbaik diperoleh pada penggunaan batch size 16 dengan nilai mean absolute error (MAE) sebesar 0,614, root mean squared error (RMSE) sebesar 0,895, dan koefisien determinasi (R2) sebesar 0,921. Berdasarkan nilai MAE, RMSE, dan R² tersebut, model prediksi yang didapat ini memiliki performa yang baik dalam mengestimasi severitas penyakit blas. | |
