“Leaf Corn” Aplikasi Deteksi Penyakit Pada Daun Tanaman Jagung Melalui Penerapan Teachable Machine

Abstrak

Indonesia merupakan salah satu negara penghasil jagung terbesar, namun masih banyak tantangan yang dihadapi petani untuk mendapatkan hasil panen yang baik, diantaranya adalah seringnya  penyakit yang sering menyerang tanaman jagung. Keterlambatan identifikasi penyakit yang menyerang tanaman jagung tersebut dapat menurunkan kualitas dan kuantitas hasil panen. Penelitian ini bertujuan membangun aplikasi berbasis mobile untuk mendeteksi penyakit daun jagung berbasis Convolutional Neural Network (CNN) melalui Teachable Machine. Tahapan penelitian meliputi pengumpulan dataset citra daun jagung dari Kaggle, pembersihan data, pelatihan model CNN, konversi ke TensorFlow Lite, dan implementasi ke dalam aplikasi Android berbasis Kotlin yang diberi nama “CornLeaf”. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan empat kelas daun jagung (sehat, bercak daun, hawar daun, karat daun) dengan akurasi rata-rata 96,99%, presisi, recall, dan F1-Score masing-masing 97,34%, sehingga model terbukti efektif mendeteksi penyakit dengan kesalahan rendah. Uji black box menegaskan seluruh fitur aplikasi berjalan sesuai rancangan tanpa kendala. Uji coba perangkat membuktikan aplikasi dapat diinstal dan dijalankan stabil pada berbagai perangkat Android minimal versi 7.0, dengan tampilan yang menyesuaikan dan performa yang responsif. Uji pengguna menggunakan Technology Acceptance Model (TAM) menghasilkan rata-rata 91,84%, menunjukkan aplikasi dinilai mudah digunakan, bermanfaat, serta memberikan pengalaman penggunaan yang sangat baik. Dengan demikian, aplikasi yang dikembangkan layak dijadikan alat bantu deteksi dini penyakit daun jagung dan berpotensi membantu petani meningkatkan efisiensi dan ketepatan pengendalian penyakit tanaman.

Identifier

• OpenAlex: https://openalex.org/W7119515618
• DOI: https://doi.org/10.32409/jikstik.24.4.3924