Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Received: Received: 14 Januari 2026.
Accepted: 21 Maret 2026.
Published: Maret 2026.
DOI: 10.
36350/jskom.
Identifikasi Penyakit Virus Kuning pada Tanaman Cabai dengan Pendekatan CNN Muhamad Rizki RidhwanA*.
HudoriA AProgram Studi Teknik Informatika.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia Email: rizkiridwanan490@gmail.
ACorresponding Author
ABSTRACT
Penyakit virus kuning merupakan salah satu gangguan utama yang sering menyerang tanaman cabai.
Penelitian ini bertujuan untuk menerapkan pendekatan machine learning berbasis Convolutional Neural Network (CNN) dalam mengidentifikasi penyakit virus kuning secara lebih cepat dan Data citra diperoleh dari dataset penelitian, kemudian diproses melalui tahapan pre-processing dan pelatihan model CNN dengan evaluasi menggunakan Confusion Matrix.
Hasil pengujian menunjukkan nilai akurasi 83,33%, presisi 83,33%, recall 83,33%, dan F1-Score 83,33%.
Selain itu, uji kelayakan melalui kuesioner PSSUQ memperoleh skor kepuasan keseluruhan sebesar 97,92%.
Dengan demikian, penelitian ini membuktikan bahwa penerapan algoritma CNN pada sistem berbasis web mampu memberikan prediksi yang cukup akurat dan efektif dalam mengidentifikasi penyakit virus kuning pada tanaman cabai.
Kata Kunci : Virus Kuning.
Cabai.
Convolutional Neural Network.
MobileNetV2.
PSSUQ.
ABSTRAK
Yellow virus disease is one of the major disorders that frequently attacks chili plants.
This study aims to apply a Convolutional Neural Network (CNN)-based machine learning approach to identify yellow virus disease more quickly and accurately.
Image data was obtained from the research dataset, then processed through pre-processing and CNN model training stages with evaluation using a Confusion Matrix.
Test results showed an accuracy of 83.
33%, a precision of 83.
33%, a recall of 83.
33%, and an F1-Score of 83.
Furthermore, the feasibility test using the PSSUQ questionnaire obtained an overall satisfaction score of 97.
Thus, this study demonstrates that the application of the CNN algorithm to a webbased system can provide fairly accurate and effective predictions in identifying yellow virus disease in chili plants.
Keywords: Yellow Virus.
Chili.
Convolutional Neural Network.
MobileNetV2.
PSSUQ.
PENDAHULUAN
Sektor pertanian memegang peranan yang sangat vital dalam kehidupan manusia, baik sebagai penyedia pangan utama maupun sebagai pendorong ekonomi di banyak negara.
Ketergantungan yang tinggi pada sektor ini menunjukkan betapa pentingnya keberlanjutan sistem pertanian yang produktif dan efisien untuk memenuhi kebutuhan pangan global.
Selain itu, sektor ini juga memiliki potensi besar untuk berkembang melalui inovasi teknologi, yang dapat meningkatkan efisiensi produksi dan hasil pertanian.
Meskipun demikian, sektor pertanian menghadapi berbagai tantangan yang dapat menghambat pencapaian potensi tersebut.
Salah satu masalah besar yang dihadapi adalah serangan penyakit tanaman, yang dapat berdampak buruk pada produktivitas dan kualitas hasil Sektor pertanian menghadapi tantangan yang terus berkembang seiring dengan perubahan iklim, pertumbuhan populasi, dan peningkatan kebutuhan pangan global.
Dalam skala global, sektor ini dihadapkan pada tekanan besar untuk meningkatkan produktivitas dengan cara yang berkelanjutan, tanpa merusak ekosistem.
Indonesia, sebagai negara agraris, memiliki potensi besar dalam sektor ini, terutama dalam produksi tanaman hortikultura yang Namun, ancaman serangan penyakit tanaman sering kali menjadi kendala utama dalam upaya memaksimalkan potensi ini.
Hortikultura merupakan cabang ilmu pertanian yang secara khusus berfokus pada budidaya tanaman seperti sayuran, buah-buahan, bunga, dan tanaman hias.
Bidang ini memiliki peran strategis dalam memenuhi kebutuhan pangan, meningkatkan estetika lingkungan, dan mendukung pertumbuhan ekonomi masyarakat.
Sebagai salah satu komponen utama sektor pertanian, tanaman hortikultura tidak hanya berkontribusi sebagai sumber nutrisi yang esensial, tetapi juga menjadi komoditas bernilai ekonomi tinggi yang menopang perekonomian lokal maupun global.
Meskipun demikian, budidaya tanaman hortikultura dihadapkan pada tantangan yang kompleks, seperti serangan hama dan penyakit yang dapat mengurangi produktivitas secara signifikan.
Dengan demikian, pengelolaan yang berbasis inovasi dan teknologi menjadi langkah yang sangat diperlukan untuk memastikan keberlanjutan hasil produksi, sekaligus mendukung stabilitas sektor pertanian secara holistik.
Tanaman cabai merupakan salah satu jenis tanaman hortikultura yang memiliki nilai ekonomi tinggi serta sering Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 digunakan untuk menambah cita rasa pedas pada berbagai jenis masakan.
Secara botani, cabai termasuk dalam kelompok tumbuhan suku terung-terungan dan dikategorikan sebagai sayuran.
Tanaman ini tidak hanya dimanfaatkan sebagai bumbu masakan, tetapi juga memiliki kandungan gizi yang cukup tinggi, seperti vitamin A, protein, karbohidrat, mineral, kalsium, fosfor, dan zat besi(NurAoaini, 2019, pp.
10Ae.
Cabai merah, sebagai salah satu jenis cabai, menjadi komoditas unggulan dengan nilai ekonomi tinggi yang banyak dibudidayakan oleh petani di Indonesia.
Budidayanya dapat dilakukan di berbagai wilayah, mulai dari dataran rendah hingga dataran tinggi, serta di lahan sawah maupun lahan kering.
Cabai merah sendiri terbagi menjadi dua jenis yang populer di kalangan petani, yaitu cabai merah besar dan cabai merah keriting, yang banyak dibutuhkan dalam berbagai keperluan pasar (Moekasan et al.
, n.
, p.
Selain itu, cabai juga dapat dibedakan berdasarkan ukuran dan warnanya.
Cabai kecil dikenal sebagai cabai rawit, sedangkan cabai besar sering digunakan dalam masakan tertentu.
Berdasarkan warnanya, cabai dibedakan menjadi cabai merah dan cabai hijau, yang masing-masing dipilih sesuai kebutuhan dalam pengolahan makanan(NurAoaini, 2019, pp.
10Ae.
Hal ini menjadikan tanaman cabai sebagai salah satu tanaman hortikultura yang bernilai penting dalam sektor pertanian Indonesia.
Namun selain nilai ekonomisnya bagus, tanaman cabai juga sangat rentan terhadap penyakit.
sehingga kegagalan tanam/panen masih cukup tinggi di indonesia.
oleh karena itu harga cabai di waktu tertentu nilainya sangat tinggi dikarenakan kelangkaan cabai yg salah satunya karena gagal panen.
salah satu penyakit yg sering menerpa tanaman cabai adalah virus kuning.
Virus kuning pada tanaman cabai ditandai dengan gejala vein clearing, yaitu bagian-bagian daun di sekitar tulang daun yang menguning (Asie & M.
Hidayat, 2023, p.
Gejala lainnya meliputi perubahan warna tulang daun menjadi kuning terang, yang dimulai dari daun-daun muda di pucuk tanaman.
Kondisi ini kemudian berkembang menjadi warna kuning yang lebih jelas, disertai dengan tulang daun yang menebal dan daun menggulung ke atas .
Selanjutnya, daun-daun menjadi lebih kecil, berwarna kuning terang, dan tanaman mengalami pertumbuhan kerdil.
Akibatnya, produksi buah menurun drastis, bahkan dalam kondisi parah tanaman tidak mampu menghasilkan buah sama sekali.
Penyakit virus kuning merupakan salah satu organisme pengganggu tumbuhan (OPT) yang menyerang tanaman cabai dan dapat menyebabkan penurunan kualitas maupun kuantitas hasil produksi.
Berdasarkan Tabel 1 data observasi pada musim tanam OktoberAeMaret 2024/2025 di wilayah Kabupaten Bogor, serangan penyakit ini teridentifikasi pada beberapa kecamatan seperti Cigombong.
Caringin, dan Cisarua.
Gejala umum yang ditimbulkan antara lain penguningan daun, pengerdilan tanaman, serta dapat mengurangi jumlah dan kualitas buah cabai yang Metode identifikasi yang digunakan saat ini masih bersifat konvensional, yaitu dilakukan melalui pengamatan visual langsung oleh petani.
Pendekatan ini memiliki berbagai keterbatasan, salah satunya tingkat akurasi yang rendah akibat kemiripan gejala antar jenis penyakit, ketergantungan pada pengalaman individu, serta waktu yang dibutuhkan untuk melakukan identifikasi secara menyeluruh di lapangan.
Hal tersebut menyebabkan keterlambatan dalam pengambilan keputusan serta berpotensi memperluas penyebaran penyakit.
Tabel 1 data observasi pada musim tanam OktoberAeMaret 2024/2025 di wilayah Kabupaten Bogor Kecamatan Cigombong Caringin Cisarua Jenis OPT Virus Kuning Virus Kuning Virus Kuning Luas Tanaman (H.
Umur
(HST)
Luas Terkendali Rasio (H.
Total Pengendalian Sebagai alternatif solusi terhadap permasalahan tersebut, teknologi pengolahan citra digital dengan pendekatan Convolutional Neural Network (CNN) menawarkan kemampuan dalam mengenali pola visual dari gejala penyakit secara terkomputerisasi.
Pendekatan ini memungkinkan sistem untuk mengklasifikasikan kondisi daun tanaman cabai secara presisi, sehingga proses identifikasi dapat dilakukan dengan lebih efisien dan akurat.
METODE
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Penelitian ini menggunakan pendekatan penelitian dan pengembangan (R&D) yang bertujuan mengembangkan aplikasi deteksi penyakit tanaman menggunakan jaringan saraf konvolusional (CNN).
Pada fase penelitian, pendekatan Borg dan Gall yang dimodifikasi disesuaikan menurut persyaratan penelitian.
Menurut Borg dan Gall .
, metodologi penelitian dan pengembangan (R&D) dapat diartikan sebagai penelitian dan pengembangan.
Richey dan Kelin .
sekarang menggunakan istilah AuPenelitian Desain dan PengembanganAy, yang dapat diterjemahkan sebagai desain penelitian dan pengembangan.
Borg dan Gall .
menjelaskan bahwa penelitian dan pengembangan adalah proses atau metode yang digunakan untuk memvalidasi dan mengembangkan produk(Prof Dr.
Sugiyono, 2019, p.
Produk yang dimaksud dapat berupa perangkat lunak, dan validasi produk bertujuan untuk menguji efektivitas atau kelayakan suatu produk yang ada.
Selain itu, pengembangan produk dilakukan untuk mengembangkan produk baru atau menyempurnakan produk yang sudah ada agar lebih praktis, efektif, dan efisien.
Langkah-langkah penerapan metode R&D ditunjukkan pada Gambar 1.
Langkah-langkah R&D.
Gambar 1 Langkah-langkah R&D HASIL DAN PEMBAHASAN Hasil Penelitian Hasil penelitian ini diuraikan berdasarkan prosedur pengmbangan, berikut adalah tahapan Ae tahapan yang Analisa Kebutuhan dan Hasil Analisa Kebutuhan Analisa Kebutuhan Tahap analisa kebutuhan dilakukan untuk merumuskan komponen yang diperlukan dalam pengembangan sistem SIVIKUN (Sistem Identifikasi Virus Kunin.
berbasis algoritma Convolutional Neural Network (CNN).
Proses ini diawali dengan identifikasi permasalahan di lapangan, dilanjutkan dengan penentuan data dan sumber informasi yang dibutuhkan.
Kegiatan pada tahap ini mencakup:
Pengumpulan Dokumen Kegiatan ini bertujuan untuk memperoleh informasi terkait penyakit virus kuning pada tanaman cabai, gejala serangan, serta metode penanganan yang telah diterapkan.
Sumber dokumen meliputi catatan lapangan POPT.
Observasi Lapangan Observasi dilaksanakan dengan melakukan pengamatan langsung pada lahan pertanian cabai di wilayah Cisarua.
Pengamatan difokuskan pada daun yang menunjukkan tanda-tanda serangan virus kuning, seperti perubahan warna menjadi kuning, bentuk daun yang kaku dan terdapat kutu dibelakang daun atau batang pada daun.
Setiap temuan kemudian diverifikasi melalui diskusi dengan POPT setempat untuk memastikan keakuratan data.
Pengumpulan Dataset Dataset citra dikumpulkan sebagai bahan utama pelatihan dan pengujian model CNN.
Data Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 diperoleh dari hasil dokumentasi di lapangan serta sumber sekunder yang kredibel.
Seluruh citra disesuaikan dengan standar yang diterapkan pada sistem SIVIKUN, yaitu resolusi 224x224 piksel, format JPG/PNG, dan ukuran maksimal 5 MB, agar dapat diproses secara optimal oleh Hasil Analisa Kebutuhan Berdasarkan Analisa kebutuh terdapat 3 hasil yaitu:
Hasil Analisa Proses Berdasarkan pada proses analisis dilakukkebutuhanan untuk memahami alur kerja identifikasi penyakit virus kuning pada tanaman cabai, baik sebelum maupun sesudah penerapan sistem SIVIKUN.
Adapun bisnis proses lama yang dilakukan oleh petani dijelaskan pada gambar 2.
Gambar 2 Bisnis Proses Lama Berdasarkan Gambar 2 Bisnis proses lama, identifikasi penyakit virus kuning pada tanaman cabai dilakukan dengan cara petani melakukan pengecekan langsung pada tanaman, memeriksa kondisi daun, dan jika ditemukan gejala mencurigakan, menghubungi POPT setempat untuk konfirmasi, sementara jika tidak terdapat gejala, petani melanjutkan perawatan rutin.
setelah menerima laporan.
POPT melakukan kunjungan ke lokasi untuk observasi, menentukan hasil identifikasi, serta memberikan rekomendasi penanganan apabila tanaman terinfeksi, dan jika tidak, petani tetap melaksanakan perawatan seperti biasa.
Proses ini memiliki beberapa kelemahan, antara lain memerlukan waktu yang relatif lama karena harus menunggu kunjungan POPT, bergantung pada ketersediaan petugas lapangan, serta berisiko terjadi kesalahan identifikasi akibat keterbatasan pengamatan visual di lapangan.
Adapun solusi terhadap permasalahan yang sedang terjadi maka diperlukan sebuah sistem baru.
Berikut bisnis proses baru yang dijelaskan pada Gambar 3 Gambar 3 Bisnis Proses Baru Berdasarkan gambar 3 Bisnis proses baru, identifikasi penyakit virus kuning pada tanaman cabai Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 dilakukan dengan cara petani mengakses sistem web SIVIKUN, mengambil gambar daun cabai, dan mengunggahnya ke sistem.
selanjutnya, sistem melakukan validasi gambar berdasarkan ketentuan resolusi 224x224 piksel, ukuran maksimal 5 MB, dan format JPG/PNG, di mana jika gambar sesuai, sistem memproses citra secara terkomputerisasi menggunakan model CNN untuk menampilkan hasil identifikasi beserta saran pengendalian, sedangkan jika tidak sesuai, pengguna diarahkan untuk mengunggah ulang gambar.
setelah itu, petani dapat melihat prediksi kondisi tanaman dari hasil analisis yang ditampilkan.
Proses ini memiliki keunggulan dibandingkan metode lama, yaitu dapat dilakukan secara mandiri, cepat, dan berbasis sistem tanpa harus menunggu kedatangan POPT, serta menghasilkan identifikasi yang lebih konsisten karena menggunakan pemrosesan citra berbasis CNN.
Hasil Analisa Metode Untuk mengidentifikasi penyakit virus kuning pada tanaman cabai.
Agar metode ini dapat berjalan optimal, diperlukan data latih berupa citra daun cabai yang representatif, proses pra-pengolahan .
untuk menyiapkan data sebelum dilakukan pelatihan model, serta perancangan arsitektur CNN yang sesuai untuk mendukung akurasi klasifikasi.
Dataset yang digunakan Dataset yang digunakan dalam penelitian ini terdiri atas dua kategori utama, yaitu daun cabai virus kuning dan daun cabai sehat.
Masing-masing kategori berjumlah 50 citra, sehingga total dataset yang digunakan adalah 100 citra.
Berikut ditampilkan contoh dataset yang digunakan:
Gambar 4 Dataset Virus Kuning Gambar 5 Dataset Sehat .
Pre Ae Processing Data Setelah memperoleh dataset citra daun cabai sehat dan virus kuning, dilakukan tahap pre-processing untuk mempersiapkan data sebelum digunakan dalam pelatihan model.
Tahapan ini mencakup resize citra menjadi ukuran seragam 224 x 224 piksel, normalisasi piksel dengan mengubah nilai intensitas ke dalam rentang 0Ae1 agar komputasi lebih efisien, serta augmentasi data berupa rotasi, flipping, dan zooming yang bertujuan memperbanyak jumlah data serta meningkatkan keragaman citra sehingga model CNN dapat mengenali pola secara lebih baik.
berikut gambar yang sudah di Gambar 6 Augmentasi Virus Kuning Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Gambar 7 Augmentasi Sehat Lanjut tahapan dalam proses pre-processing,dibagi menjadi 3 yaitu :
Latih ( training data ) 70% .
Validasi ( validasi data ) 15% .
Uji ( testing data ) 15% .
Arsitektur Model Arsitektur Convolutional Neural Network (CNN) pada sistem SIVIKUN terdiri atas beberapa lapisan yang saling terhubung dan bekerja secara berurutan.
Input Layer, menerima citra daun cabai berukuran 224x224 piksel dengan tiga kanal warna (RGB).
Convolutional Layer, mengekstraksi fitur penting seperti tekstur, pola urat, dan perubahan warna menggunakan filter berukuran kecil.
Hasil ekstraksi tersebut kemudian diperkecil melalui pooling layer (MaxPoolin.
Pooling Layer, mereduksi dimensi data sekaligus mempertahankan fitur dominan agar proses komputasi menjadi lebih efisien.
Flatten Layer, mengubah hasil ekstraksi dua dimensi menjadi vektor satu dimensi sebagai masukan untuk lapisan selanjutnya.
Fully Connected Layer, menggabungkan seluruh fitur dan menghasilkan representasi untuk .
Output Layer.
Lapisan terakhir menggunakan fungsi aktivasi Sigmoid, karena klasifikasi hanya terdiri dari dua kelas yaitu : 0 untuk sehat dan 1 untuk virus kuning.
kemudian hasil keluaran berupa nilai probabilitas .
Ae.
, yang ditafsirkan sebagai prediksi kondisi daun cabai.
Hasil Analisa Kebutuhan Sistem Pada tahapan ini dilakukan perancangan berdasarkan hasil analis kebutuhan,dimana mencangkup 3 tahapan yaitu :
Hardware Perangkat keras yang digunakan dalam penelitian ini berfungsi untuk mendukung proses pengembangan prototype penelitian ini adalah menggunakan spesifikasi perangkat keras yang digunakan adalah sebagai berikut:
Processor : AMD A8-7410 APU with AMD Radeon R5 Graphics 2.
20 GHz
RAM
:4,00 GB
HDD
:368 GB
Keyboard : Standard PS/2 Keyboard & PS/2 Compatible Mouse .
Software .
Apache Server .
Mysql .
PHP 8.
Python 3.
Flask .
Sistem Operasi:Microsoft Windows 11 Pro x64 .
Visual Studio .
Google Chrome .
Google Collab Pembahasan Pembahasan ini bagian pengujian prototype sistem, yang terdiri dari uji coba dengan ahli dan pengguna untuk menilai kelayakan dari sistem yang dikembangkan.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Uji Coba Ahli Pengujian sistem pada tahap ini dilakukan oleh dosen Fakultas Informatika dan Komputer Universitas Binaniaga Indonesia selaku ahli di bidangnya.
Tujuan pengujian adalah untuk menilai prototipe aplikasi yang dikembangkan dalam mengidentifikasi penyakit virus kuning pada tanaman cabai, sekaligus memberikan masukan guna penyempurnaan sistem.
Instrumen yang digunakan berupa kuesioner yang memuat pertanyaanpertanyaan terkait alur sistem, tampilan antarmuka, serta fungsi keseluruhan aplikasi.
Selain itu, metode pengujian yang diterapkan adalah blackbox testing, dengan fokus pada kesesuaian fungsi sistem terhadap kebutuhan yang telah dirancang.
Hasil dari uji coba ahli dengan metode blackbox disajikan pada tabel 2 uji Tabel 2 Uji Ahli Pertanyaan Proses yang diuji Login dengan username dan password valid (Petan.
Halaman Login Halaman Register Registrasi akun dengan data yang belum lengkap Muncul notifikasi:
"username atau password Akun berhasil dibuat, muncul pesan "Pendaftaran berhasil, silakan login" Registrasi akun dengan data lengkap dan valid Unggah gambar pada halaman Identifikasi Hasil Pengujian Ahli 1 Ahli 2 Masuk ke Home dan dapat mengakses halaman Identifikasi serta Riwayat Login dengan username atau password salah Hasil yang diharapkan Halaman Identifikasi Mengakses halaman Riwayat setelah login Halaman Riwayat Logout dari sistem Proses Logout Jumlah Nilai Tertinggi Muncul notifikasi:untuk mengisi halaman yang belum Sistem memproses gambar, menampilkan hasil prediksi: "Terdeteksi Virus Kuning" dengan persentase akurasi, dan menampilkan saran sebaliknya Sistem memproses gambar, menampilkan hasil prediksi: "Sehat" dengan persentase akurasi, dan menampilkan saran tanaman terlihat sehat.
tetap pantau secara Menampilkan daftar riwayat identifikasi pengguna sesuai urutan terbaru, termasuk gambar, tanggal, hasil prediksi.
Pengguna diarahkan ke halaman login dan sesi Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Berdasarkan hasil pengujian yang ditampilkan pada tabel 4.
1 uji ahli total skor yang diperoleh adalah 20.
Untuk mengetahui tingkat kelayakan sistem, dilakukan perhitungan dengan metode blackbox testing, yaitu dengan membandingkan hasil aktual sistem terhadap hasil yang diharapkan pada setiap skenario uji.
Dari proses perhitungan tersebut diperoleh bahwa seluruh fungsi utama telah berjalan sesuai dengan kebutuhan, sehingga sistem dapat dinyatakan layak digunakan.
Berdasarkan hasil perhitungan pengujian dengan metode blackbox, diperoleh tingkat keberhasilan sebesar 100%, yang menunjukkan bahwa seluruh fungsi utama pada sistem berjalan sesuai dengan kebutuhan dan dapat dikategorikan layak digunakan.
Meskipun demikian, untuk penyempurnaan lebih lanjut, ahli juga diberikan ruang untuk menyampaikan saran terbuka yang berisi masukan terkait aspek antarmuka, alur sistem, maupun pengembangan fitur tambahan.
Masukan tersebut diharapkan dapat menjadi bahan pertimbangan dalam meningkatkan kualitas sistem pada tahap pengembangan selanjutnya.
Uji Pengguna Uji coba ini melibatkan tiga orang pengguna, yang seluruhnya merupakan petani cabai.
Pada tahap ini, pengguna diperkenalkan dengan cara kerja sistem, mulai dari proses login dan registrasi, hingga melakukan identifikasi daun cabai secara langsung melalui aplikasi.
Setelah mencoba seluruh fitur utama, pengguna diminta memberikan penilaian terhadap tingkat kelayakan sistem melalui kuesioner, serta menyampaikan pendapat atau saran berdasarkan pengalaman penggunaan.
Hasil pengolahan data kuesioner tersebut disajikan pada tabel 4.
2 uji pengguna.
Tabel 3 Uji Pengguna Pertanyaan P10
P11
P12
P13
P14
P15
P16
Jumlah Responden Berdasarkan hasil pengolahan data dari 16 pertanyaan kuesioner PSSUQ, penilaian dikelompokkan ke dalam empat kategori utama, yaitu: kepuasan secara keseluruhan .
verall satisfactio.
, kegunaan sistem .
ystem usabilit.
, kualitas informasi .
nformation qualit.
, serta kualitas antarmuka .
nterface qualit.
Pembagian Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 kategori ini bertujuan untuk memperoleh gambaran yang lebih terperinci mengenai aspek-aspek yang dinilai pengguna dalam menggunakan sistem.
Keseluruhan (Overall Satisfactio.
Dalam kategori overall satisfaction, nilai kepuasan yang diperoleh secara keseluruhan adalah 235 dari skor maksimal 240 berdasarkan 16 pertanyaan kuesioner PSSUQ.
Dengan demikian, diperoleh persentase kelayakan sebesar 97,92%, yang menunjukkan bahwa sistem berada pada kategori sangat layak untuk Kegunaan Sistem (System Usabilit.
Dalam kategori kegunaan sistem .
ystem usabilit.
, skor yang diperoleh adalah 89 dari skor maksimal 90.
Hasil tersebut menghasilkan persentase kelayakan sebesar 98,89%, dari 6 pertanyaan P1 - P6.
Menunjukkan bahwa sistem telah memenuhi aspek kegunaan dengan sangat baik serta mudah dipahami oleh pengguna.
Kualitas Informasi (Information Qualit.
Dalam kategori kualitas informasi .
nformation qualit.
, skor yang diperoleh adalah 86 dari skor maksimal 90.
Persentase kelayakan yang dihasilkan sebesar 95,55%, dari 6 pertanyaan P1 - P6.
Menunjukkan bahwa informasi yang ditampilkan sistem dinilai jelas, akurat, dan relevan oleh pengguna.
Kualitas Antarmuka (Interface Qualit.
Dalam kategori kualitas antarmuka .
nterface qualit.
, skor yang diperoleh adalah 60 dari skor maksimal Persentase kelayakan yang dihasilkan sebesar 100 dari 6 pertanyaan P1 - P6.
Menunjukkan bahwa tampilan antarmuka sistem dinilai sangat baik, mudah dipahami, dan mendukung kemudahan interaksi pengguna dengan sistem.
Uji Hasil Pengujian hasil penelitian ini dilakukan melalui observasi langsung terhadap pengguna untuk menilai efektivitas penggunaan sistem.
Tingkat efektivitas dihitung berdasarkan tingkat keberhasilan pengguna dalam Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 menyelesaikan tugas yang diberikan pada aplikasi, sebagaimana ditunjukkan pada tabel 4.
Berikut adalah perhitungan efektivitas menggunakan rumus Field Observation:
Hasil perhitungan tersebut menunjukkan bahwa prototipe sistem memiliki tingkat efektivitas sebesar 97,92%, yang termasuk dalam kategori sangat efektif untuk mendukung identifikasi penyakit virus kuning pada tanaman cabai.
Confusion Matrix Hasil pengujian dengan menggunakan Confusion Matrix diterapkan untuk menilai performa model dalam mengklasifikasikan penyakit virus kuning pada tanaman cabai.
Pengujian ini dimaksudkan untuk memperoleh nilai akurasi, presisi, recall, serta F1-score sebagai indikator utama kualitas model yang dibangun.
Berikut confusion matrix dari hasil pelatihan model CNN:
Gambar 8 Confusion Matrix Akurasi Berdasarkan hasil perhitungan akurasi confusion matrix dengan nilai True Positive .
dan True Negative .
serta total data sebanyak 12 (TP TN FP FN), maka hasil Akurasi yang didapatkan adalah:
Presisi Berdasarkan hasil perhitungan presisi confusion matrix dengan nilai True Positive .
dan False Positive .
, maka hasil Presisi yang diperoleh adalah:
Recall Berdasarkan hasil perhitungan recall confusion matrix dengan nilai True Positive .
dan False Negative .
, maka hasil Recall yang diperoleh adalah:
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 F1-score Berdasarkan hasil perhitungan F1-Score dengan menggunakan nilai Presisi .
dan Recall .
maka hasil F1-Score yang diperoleh adalah:
KESIMPULAN
Berdasarkan hasil penelitian dan pengujian yang telah dilakukan mengenai identifikasi penyakit virus kuning pada tanaman cabai menggunakan pendekatan Convolutional Neural Network (CNN), maka dapat disimpulkan sebagai Model CNN yang dikembangkan mampu melakukan identifikasi penyakit virus kuning pada citra daun cabai dengan cukup baik.
Proses ekstraksi fitur visual yang dilakukan CNN dapat membedakan antara daun sehat dan daun yang terinfeksi sesuai dengan tujuan penelitian.
Hasil pengujian menunjukkan kinerja sistem yang cukup optimal dengan nilai akurasi sebesar 83,3%, precision 83,3%, recall 83,3%, dan F1-score 83,3%.
Hal ini menunjukkan bahwa sistem dapat menjaga keseimbangan antara ketepatan klasifikasi dan kemampuan mendeteksi penyakit secara benar.
Sistem yang dibangun berbasis web telah berhasil diimplementasikan dengan antarmuka sederhana, sehingga dapat digunakan sebagai alat bantu oleh petani maupun pihak terkait dalam mendeteksi penyakit virus kuning secara cepat dan objektif dibandingkan pemeriksaan secara konvensional.
Meskipun sistem menunjukkan performa yang baik, terdapat keterbatasan dalam pengujian terutama pada kondisi citra yang kurang ideal .
encahayaan tidak merata, objek buram, atau daun terhalan.
Selain itu, cakupan deteksi masih terbatas pada satu jenis penyakit, sehingga perlu adanya pengembangan dataset.
DAFTAR PUSTAKA