Hasil Pencarian  ::  Simpan CSV :: Kembali

"Karet adalah salah satu komoditas yang memberikan kontribusi yang signifikan dalam ekonomi Indonesia. Indonesia menempati posisi kedua sebagai produsen karet terbesar di dunia. Namun, sejak 2017, penyakit gugur daun karet Pestalotiopsis yang disebabkan oleh Pestalotiopsis sp. telah menjadi ancaman serius bagi budidaya karet dan menyebabkan kerugian ekonomi. Penyakit ini menginfeksi daun, menyebabkan nekrosis dan keguguran daun yang berkelanjutan, yang menghambat fotosintesis. Luas area perkebunan karet yang terjangkit penyakit ini sebesar 382.000 ha pada 2019 dan bertambah seluas 30.328,84 ha pada 2021, menyebabkan hilangnya produksi getah karet (lateks) hingga 30%. Penyakit ini menyebabkan kerugian ekonomi milyaran rupiah dan biaya pengendalian yang mahal, sehingga perlu dilakukan pendeteksian dini agar memungkinkan langkah intervensi yang cepat. Namun, Pendeteksian konvensional membutuhkan waktu, tenaga, dan biaya yang tinggi serta keahlian khusus. Oleh karena itu, pada penelitian ini, dikembangkan model deep learning untuk mengurangi waktu, biaya, dan tenaga dalam mendeteksi tingkat keparahan penyakit gugur daun karet Pestalotiopsis ke dalam 5 tingkat, sesuai dengan penelitian yang dilakukan oleh Pusat Penelitian Karet Sembawa pada tahun 2022. Pada penelitian ini, pendekatan yang dilakukan adalah dengan melatih YOLOv8 segmentation untuk menyegmen bercak pada daun yang menyatakan tingkan keparahan penyakit gugur daun Pestalotiopsis dan tulang daun dari data citra daun karet. Selanjutnya, untuk melatih model klasifikasi ResNeSt, digunakan data citra yang telah disegmentasi oleh model YOLOv8 segmentation yang sudah terlatih. Dengan demikian, klasifikasi tingkat keparahan penyakit gugur daun karet Pestalotiopsis dilakukan dengan hanya memandang bercak penyakit dan tulang daun karet, tanpa memperhatikan warna keseluruhan daun. Metrik yang digunakan adalah precision, recall, mAP50, mAP50-95, dan akurasi. Precision adalah persentase prediksi positif yang benar dari semua prediksi positif, recall adalah persentase kasus positif yang benar-benar teridentifikasi, mAP50 adalah rata-rata precision pada berbagai nilai recall dengan nilai threshold 50, dan mAP50-95 adalah rata-rata precision pada nilai threshold dari 50 hingga 95. Akurasi mengukur persentase prediksi yang benar oleh model secara keseluruhan. Pelatihan model YOLOv8 segmentation menghasilkan rata-rata precision keseluruhan sebesar 70,4%, recall sebesar 68,60%, mAP50 sebesar 64,10%, dan mAP50-95 sebesar 33,64%. Pelatihan model klasifikasi ResNeSt menggunakan data citra yang disegmentasi menggunakan YOLOv8 segmentation menghasilkan akurasi sebesar 78,65%, precision 80,12%, dan recall 79,14%.

---

Rubber is a commodity that makes a significant contribution to the Indonesian economy. Indonesia occupies the second position as the largest rubber producer in the world, with total production reaching 3.12 million tons (Dekarindo, 2021). However, since 2017, the Pestalotiopsis rubber leaf fall disease caused by Pestalotiopsis sp. has become a serious threat to rubber cultivation and caused economic losses. The disease infects the leaves, causing ongoing necrosis and leaf drop, which inhibits photosynthesis. The area of ​​rubber plantations affected by this disease was 382,000 ha in 2019 and increased by 30,328.84 ha in 2021, causing a loss of rubber latex production of up to 30% (Damiri et al., 2022). This disease causes economic losses of billions of rupiah and expensive control costs, so early detection is necessary to enable rapid intervention. However, conventional detection requires high time, effort and costs as well as special expertise. Therefore, in this research, a deep learning model was developed to reduce the time, costs and energy in detecting the severity of the Pestalotiopsis rubber leaf fall disease into 5 levels, in accordance with research conducted by the Sembawa Rubber Research Center. In this study, the approach used is to train YOLOv8 segmentation to segment Pestalotiopsis leaf fall disease spots and leaf veins from rubber leaf image data. Furthermore, to train the ResNeSt classification model, image data that has been segmented by the trained YOLOv8 segmentation model is used. Thus, the classification of the severity of Pestalotiopsis rubber leaf fall disease is carried out by only looking at the disease spots and rubber leaf veins, without considering the overall color of the leaf. The metrics used are precision, recall, mAP50, mAP50-95, and accuracy. Precision is the percentage of correct positive predictions from all positive predictions, recall is the percentage of positive cases that are actually identified, mAP50 is the average precision at various recall values ​​with a threshold value of 50, and mAP50-95 is the average precision at the threshold value from 50 to 95. Accuracy measures the percentage of correct predictions by the model overall. Training the YOLOv8 segmentation model produced an overall average precision of 70.4%, recall of 68.60%, mAP50 of 64.10%, and mAP50-95 of 33.64%. Training the ResNeSt classification model using image data segmented using YOLOv8 segmentation resulted in an accuracy of 78.65%, precision of 80.12%, and recall of 79.14%."

"Saat ini, Indonesia menempati peringkat kedua sebagai produsen karet terbesar di dunia, menyumbang sekitar 29,8% dari kebutuhan global. Namun, produksi karet di Indonesia mengalami penurunan dari tahun ke tahun, salah satu faktornya adalah serangan penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp. Pada tahun 2021, luas perkebunan karet yang terkena penyakit mencapai 30.328,84 hektar dan tanaman yang terinfeksi oleh penyakit tersebut mengalami penurunan produksi lateks hingga 30%. Penyakit ini menyerang daun dengan gejala pembentukan bercak berukuran 0,5-2 cm yang menyebabkan nekrosis dan gugur. Penklasifikasian tingkat keparahan penyakit Pestalotiopsis sp. secara morfologi melalui pengamatan jumlah bintik dan warna pada daun karet membutuhkan waktu dan tenaga besar, terutama karena luasnya perkebunan yang terinfeksi. Oleh karena itu, penggunaan metode machine learning diusulkan untuk mengurangi waktu dan usaha yang dibutuhkan dalam menklasifikasi penyakit gugur daun akibat jamur Pestalotiopsis sp. Pada penelitian ini, model machine learning digunakan untuk mengklasifikasi 5 kelas tingkat keparahan penyakit Pestalotiopsis sp. yaitu tingkat 0 (sehat), tingkat 1 (terinfeksi ringan), tingkat 2 (terinfeksi sedang), tingkat 3 (terinfeksi parah), dan tingkat 4 (terinfeksi sangat parah). Dataset yang digunakan adalah citra daun tanaman karet yang diperoleh dari Pusat Penelitian Karet Sembawa. Model machine learning menerima input data citra daun tanaman karet, lalu citra disegmentasi menggunakan k-mean clustering. Data yang telah tersegmentasi kemudian diekstraksi dengan fitur warna hue, saturation, dan value (HSV) dan fitur jumlah bintik dengan metode contour detection menggunakan Suzuki’s contour algorithm. Selanjutnya, fitur-fitur ini diklasifikasikan menggunakan Support Vector Machine (SVM) tipe one vs rest multiclass classification dan Grid Search Cross Validation dengan 5 fold untuk menemukan hyperparameter terbaik untuk SVM. Hyperparameter terbaik adalah kernel radial basis function dengan C=100. Berdasarkan hasil percobaan sebanyak 5 kali, diperoleh kesimpulan bahwa model dengan akurasi tertinggi adalah model yang menggunakan fitur warna dan jumlah bintik dengan nilai rata-rata akurasi sebesar 81,86% dan nilai rata-rata Cohen’s kappa statistic sebesar 0,77 yang artinya model mampu mengklasifikasi data citra daun tanaman karet dengan cukup baik.

---

Currently, Indonesia ranks as the second largest rubber producer in the world, contributing about 29.8% of global demand. However, rubber production in Indonesia has decreased from year to year, one of the factors is the attack of leaf fall disease caused by the fungus Pestalotiopsi sp. In 2021, the area of rubber plantations affected by the disease reached 30,328.84 hectares with infected plants have a 30% decrease in latex production. The disease attacks the leaves with symptoms of spot formation measuring 0.5-2 cm which causes necrosis and fall. Detecting the severity of Pestalotiopsis sp. morphologically through the observation of the number of spots and colors on rubber leaves requires a lot of time and energy, especially due to the large area of infected plantations. Therefore, the use of machine learning methods is proposed to reduce the time and effort required in classifying leaf fall disease caused by the fungus Pestalotiopsis sp. In this study, a machine learning model is used to classify 5 classes of Pestalotiopsis sp. disease severity, namely level 0 (healthy), level 1 (mild infected), level 2 (moderate infected), level 3 (severe infected), and level 4 (very severe infected).  The dataset used is an image of rubber plant leaves obtained from the Sembawa Rubber Research Center. The machine learning model received input data of rubber plant leaf images, then the image is segmented using k-mean clustering. The segmented data will then be extracted with hue, saturation, and value (HSV) color features and the number of spots feature with the contour detection method using Suzuki’s contour algorithm.  In this study, the performance evaluation used is accuracy and Cohen's kappa statistic. Furthermore, these features are classified using Support Vector Machine (SVM) type one vs rest multiclass classification and Grid Search Cross Validation with 5 folds to find the best hyperparameter for SVM. The best hyperparameter is the radial basis function kernel with C=100. Based on the results of 5 experiments, it is concluded that the model with the highest accuracy is a model that uses color and the number of spots features with an average accuracy value of 81.86% and an average Cohen's kappa statistic value of 0.77, which means that the model is able to classify rubber plant leaf image data quite well."

"Tanaman karet berperan sebagai komoditas penting di Indonesia karena menghasilkan karet alami yang memiliki banyak manfaat dan mampu bersaing di pasar internasional. Namun, sejak tahun 2017, produksi karet mengalami hambatan karena timbul serangan penyakit gugur daun baru yang berbeda dari penyakit terdahulu. Penyakit tersebut dapat menyebabkan gugur daun hingga 90% dan penurunan produksi lateks hingga 45%. Setelah ditelusuri, penyakit gugur daun baru ini disebabkan oleh patogen Pestalotiopsis sp. dan diberi nama penyakit gugur daun Pestalotiopsis. Sebagai penyakit baru, perlu dilakukan penelitian lebih lanjut untuk memonitor laju pertumbuhan penyakit ini. Salah satu penelitian ini adalah melakukan klasifikasi indeks atau level keparahan penyakit gugur daun Pestalotiopsis. Keparahan penyakit ini dapat dikelompokkan berdasarkan perubahan warna daun dan lesi khas yang timbul pada permukaan daun tanaman karet. Pada penelitian sebelumnya, pengukuran intensitas keparahan dilakukan dengan observasi secara langsung bercak gejala yang muncul pada daun atau pohon dalam jangka waktu tertentu. Pengamatan secara konvensional ini memerlukan tenaga yang banyak dan waktu yang cukup lama. Diperlukan suatu metode yang mampu melakukan klasifikasi level keparahan ini secara tepat dan cepat terhadap sampel daun yang berjumlah banyak. Saat ini, implementasi Artificial Intelligence (AI) melalui algoritma machine learning dapat menjadi solusi untuk menyelesaikan suatu permasalahan seperti klasifikasi multikelas secara otomatis dan efisien. Penelitian ini memanfaatkan salah satu teknik machine learning, yaitu artificial neural network berupa deep learning dengan arsitektur convolutional neural network (CNN). Dengan mempertimbangkan penelitian sebelumnya, maka penelitian ini mengajukan sebuah pengembangan dari CNN, yaitu arsitektur DenseNet121 sebagai metode untuk melakukan klasifikasi level keparahan penyakit gugur daun Pestalotiopsis menggunakan data citra daun karet. Klasifikasi level keparahan dibagi menjadi lima kelas, yaitu Level 0 (daun sehat atau tidak terinfeksi penyakit gugur daun Pestalotiopsis) dan Level 1-4 (menunjukkan tingkat keparahan penyakit gugur daun Pestalotiopsis). Pada Penelitian ini, digunakan 257 data citra daun karet yang dikumpulkan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia ketika berkunjung ke Pusat Penelitian Karet Sembawa, Palembang pada tahun 2022. Data citra tersebut melalui preprocessing berupa crop dan resize agar dapat menjadi input yang diterima arsitektur.  Data dipisahkan menjadi data latih dan data uji dengan rasio 80:20. Model dilatih dengan pendekatan 5-fold cross validation sehingga pengujian dilakukan terhadap lima model berbeda. Berdasarkan simulasi, diperoleh rata-rata lima model berupa ccuracy sebesar 56,16% , precision sebesar 54,2% , recall sebesar 55,6%, skor F1 sebesar 51% , dan running time 3,110 detik.

---

Rubber plant is an essential commodity in Indonesia since natural rubbers from this plant are very beneficial and have high international market potential. Unfortunately, since 2017, a new leaf fall disease has caused massive decline of the rubber production. This disease leads to at most 90% leaf fall percentage and production decline as high as 45%. Subsequently, researchers found that this new leaf fall disease is caused by Pestalotiopsis sp., thus, the name of this disease is Pestalotiopsis leaf fall disease. Studies must be conducted to further investigate the growth and pattern of this new leaf fall disesase. One of these studies is to classify the intensity of the Pestalotiopsis leaf fall disease.The intensity can be measure by observing distinct symptoms and lesion frequency that would appear on the rubber plant’s leave surface. In earlier works, intensity are measured by conventionally taking notes of the symptomps that appear on the leaves or trees and these methods was done on timely basis. These traditional approaches takes a lot of time and requires a handful of people. Hence, there must be new methods to classify this disease’s intensity with less time and resource when the amount of leaf samples increase. Recent studies implement Artificial Intelligence (AI) by using machine learning to solve classification problems efficiently. This study takes a technique of machine learning, that is, deep learning convolutional neural network (CNN) architectures. By comparing previous researches, we propose the architecture DenseNet121 to implement CNN in multiclass classification problem by using leaf image data. The classification consists of five classes, which are the intensity of the Pestalotiopsis leaf fall disease from level 0 to level 4. Level 0 corresponds to healthy leaves or leaves with other diseases whereas Level 1-4 refer to leaves with the intensity of lesion and discoloration caused by Pestalotiopsis leaf fall disease. This study uses 257 image data that was taken by students of the Math and Science Faculty from Universitas Indonesia when they visited Rubber Research Center, Sembawa in 2022. The data is split into train and test data with 80:20 ratio. Models are trained with 5-fold cross validation approach so the that each model will be trained and tested towards 5 folds of data. Then, five different models are tested by evaluating their predictions to the test data. The result of this simulation shows the average performance from five models, they are an accuracy of 56,16%, a precision of 54,2%, a recall of 55,6%, an F1-score of 51% , and an average running time of 3,110 seconds."

"Fenomena penyakit gugur daun Pestalotiopsis (PGDP) pada perkebunan karet yang disebabkan oleh Pestalotiopsis sp. menyebabkan penurunan area tutupan kanopi sebesar 75—90% diikuti penurunan produksi lateks hingga 45%. Patogen tersebut telah menginfeksi 383.000 ha perkebunan karet di Indonesia dan berdasarkan hasil lapangan, tidak teramati klon yang resistan terhadap PGDP. Pengendalian PGDP dengan fungisida memerlukan biaya yang besar sehingga diusulkan perakitan klon resistan untuk mengurangi dampak patogen terhadap produktivitas perkebunan karet. Oleh karena itu, diperlukan studi mengenai gen ketahanan pada tanaman karet. Gen HbPAL (Hevea brasiliensis phenylalanine ammonia lyase) diyakini dapat menjadi kandidat gen yang potensial sebagai kriteria seleksi terhadap ketahanan penyakit. Enzim PAL merupakan prekursor dalam sintesis asam salisilat yang berperan dalam aktivasi systemic acquired resistance (SAR). Penelitian ini bertujuan untuk mengetahui tingkat ekspresi gen HbPAL yang diduga merupakan salah satu gen ketahanan yang berperan dalam respons tanaman terhadap PGDP. Penelitian dilakukan dengan mengukur tingkat ekspresi gen HbPAL pada klon moderat (IRR 112) dan rentan (GT 1) dengan terlebih dahulu mempreparasi sampel daun sehat, perlukaan, dan perlukaan + infeksi. Sampel daun yang sudah dipreparasi diekstraksi RNAnya kemudian disintesis menjadi cDNA untuk selanjutnya dianalisis menggunakan real-time polymerase chain reaction (qPCR). Penelitian ini mengindikasikan adanya perbedaan ekspresi gen HbPAL antara daun sehat, perlukaan dan perlukaan + infeksi Pestalotiopsis sp. Hasil penelitian sesuai dengan hasil pengamatan lapangan yang menunjukkan keunggulan klon moderat IRR112 dibandingkan klon rentan GT 1. Meskipun demikian, diperlukan penelitian lebih lanjut untuk mengkonfirmasi validitas hasil penelitian, hal ini diakibatkan oleh adanya kelemahan dalam proses penelitian sehingga belum dapat disimpulkan adanya korelasi antara infeksi Pestalotiopsis sp. terhadap peningkatan ekspresi gen ketahanan HbPAL.

---

The phenomenon of Pestalotiopsis Leaf Fall Disease (PLFD) in rubber plantations caused by Pestalotiopsis sp. results in a reduction of the canopy coverage by 75—90%, followed by a decline in latex production of up to 45%. This pathogen has infected 383,000 hectares of rubber plantations in Indonesia, and field observations have not identified any clones resistant to PLFD. Controlling PLFD with fungicides involves a large cost, hence the proposal for the assembly of resistant clones to reduce the pathogen's impact on the productivity of rubber plantations. Therefore, studies on resistance genes in rubber plants are needed. The HbPAL gene (Hevea brasiliensis phenylalanine ammonia lyase) is believed to be a potential candidate gene as a selection criterion for disease resistance. The PAL enzyme is a precursor in the synthesis of salicylic acid, which plays a role in the activation of systemic acquired resistance (SAR). This research aims to determine the level of HbPAL gene expression, suspected to be one of the resistance genes that play a role in the plant's response to PLFD. The research was conducted by measuring the level of HbPAL gene expression in moderate (IRR 112) and susceptible (GT 1) clones by first preparing samples of healthy leaves, wounded leaves, and wounded + infected leaves. The prepared leaf samples were extracted for their RNA, then synthesized into cDNA, and subsequently analyzed using real-time polymerase chain reaction (qPCR). This study indicates a difference in the expression of the HbPAL gene between healthy leaves, wounded leaves, and wounded + infected leaves with Pestalotiopsis sp. The results are consistent with field observations indicating the superiority of the moderate clone IRR112 over the susceptible clone GT 1. However, further research is needed to validate the findings of this research due to gaps in the research method thus it is not possible to determine the correlation between Pestalotiopsis sp. infection and the increase in the expression of the HbPAL resistance gene."

"Penyakit gugur daun Pestalotiosis sp. (PGDP) merupakan salah satu penyebab penurunan produksi lateks di Indonesia karena mampu menggugurkan 90% kanopi Hevea brasiliensis. Gejala pada PGDP yaitu timbul bercak cokelat pada permukaan daun. Upaya penanganan PGDP dapat dilakukan pengembangan klon tanaman karet unggul yang diawali dengan analisis ekspresi gen ketahanan. Salah satu gen ketahanan yang berperan pada sistem pertahanan pertama adalah gen Hevea brasiliensis Poliphenol Oxidase (HbPPO) yang dapat mengaktivasi sistem Reactive Oxygen Species (ROS). Tujuan penelitian ini adalah untuk mengetahui perbandingan profil ekspresi HbPPO pada tanaman karet sehat, mengalami luka, dan terinfeksi Pestalotiopsis sp. serta perbandingan profil ekspresi HbPPO pada tanaman karet klon moderat IRR 112 dan rentan GT 1 di hari ketiga dan keenam. Hipotesis dari penelitian ini yaitu terdapat perbedaan ekspresi gen HbPPO pada setiap perlakuan serta pada kedua klon. Proses untuk mengetahui ekspresi HbPPO dimulai dengan dilakukan ekstraksi RNA dari daun H. brasiliensis kemudian hasil ekstraksi disintesis menjadi cDNA. Hasil sintesis cDNA digunakan sebagai template quantitative polymerase chain reaction (qPCR). Berdasarkan hasil qPCR diperoleh nilai Ct yang selanjutnya diolah menggunakan rumus Livak. Hasil penelitian belum dapat menunjukkan tingkat ekspresi gen HbPPO pada klon IRR 112 dan klon GT 1 pada semua perlakuan karena data ekstraksi RNA pada penelitian belum diverifikasi dengan melakukan elektroforesis dan belum terdapat kurva standar sebagai acuan penggunaan rumus Livak. Hasil penelitian ini berupa dugaan adanya perbedaan ekspresi gen HbPPO pada tanaman Hevea brasiliensis sehat, dengan perlakuan pelukaan, dan perlakuan pelukaan+infeksi Pestalotiopsis serta antara klon GT 1 dan IRR 112. Oleh karena itu, perlu dilakukan penelitian lebih lanjut untuk memperoleh data korelasi ekspresi gen HbPPO dan infeksi Pestalotiopsis yang akurat.

---

Leaf fall disease caused by Pestalotiosis sp. has been identified as a factor contributing to the decline in latex production in Indonesia, as it can lead to the deciduous of approximately 90% of Hevea brasiliensis canopy. The symptoms of its disease manifest as brown spots on the leaf surface. In response to this issue, an approach to against this disease involves the development of superior rubber plant clones, initiated with an analysis of resistance gene expression. Among the resistance genes involved in the primary defense system is the Hevea brasiliensis Polyphenol Oxidase (HbPPO) gene, which activates the Reactive Oxygen Species (ROS) system. This study aimed to compare the expression profiles of the HbPPO gene in healthy, wounded, and infected rubber plants with Pestalotiopsis sp., as well as compare the HbPPO expression profiles between the IRR 112 moderate clone and the GT 1 susceptible clone on the third and sixth days. The hypothesis of this study posits that there are variations in HbPPO gene expression across the different treatments and between the two clones. To evaluate the HbPPO expression levels, the process began with RNA extraction from H. brasiliensis leaves, followed by the synthesis of the extracted RNA into cDNA. The cDNA obtained was then used as a template for quantitative polymerase chain reaction (qPCR). The Ct values obtained from qPCR were subsequently processed using the Livak formula to assess the relative gene expression levels. The results have been unable to demonstrate HbPPO expression due to unverified RNA data through electrophoresis and the absence of a standard curve. The study imply disparities in HbPPO gene expression among healthy Hevea brasiliensis plants, wound treatment, and wounded+Pestalotiopsis infection treatment, also variations between GT 1 and IRR 112 clones. Therefore, further research is imperative to acquire precise data regarding the correlation between HbPPO gene expression and Pestalotiopsis infection."

"Beberapa tahun terakhir terjadi penyakit pada tanaman karet yang disebabkan oleh jamur Pestalotiopsis sp yang menyebabkan gugur daun karet secara massif. Pestalotiopsis sp tumbuh dan berkembang pada wilayah dengan curah hujan dan kelembaban udara yang cukup tinggi dan lembab. Kebun Pusat Penelitian Karet Sembawa merupakan kebun yang digunakan dalam melakukan penelitian dan mengembangkan tanaman karet. Penelitian ini bertujuan untuk mengkaji secara spasial dan temporal fenomena gugur daun tanaman karet akibat Pestalotiopsis sp serta curah hujan dan kelembaban pada wilayah kebun Pusat Penelitian Karet Sembawa. Sentinel 2A merupakan citra satelit yang memiliki resolusi spasial dan temporal yang cukup baik dan sering digunakan dalam melakukan monitoring tanaman khususnya hutan dan perkebunan. NDVI digunakan dalam yang mendeteksi tingkat gugur daun pada tanaman karet melalui citra Sentinel 2A. Curah hujan dan kelembaban didapatkan melalui citra CHIRPS dan SMAP. Terdapat hubungan yang cukup signifikan antara nilai NDVI dengan tingkat gugur daun tanaman karet. Pada Agustus 2020 terjadi gugur daun karet secara alami dengan rendahnya tingkat curah hujan dan kelembaban pada wilayah kebun. Desember 2020, Maret, Mei dan November 2021 terjadi gugur daun akibat serangan Pestalotiopsis sp yang ditandai dengan tingginya nilai curah hujan dan kelembaban. Tingkat gugur daun karet akibat Pestalotiopsis sp memiliki hubungan yang signifikan dengan curah hujan secara spasial dan temporal. Kelembaban tidak memiliki korelasi yang cukup signifikan dengan kejadian gugur daun karet.

---

In recent years there has been a disease in rubber plants caused by the fungus Pestalotiopsis sp which causes massive rubber leaf falls. Pestalotiopsis sp grows and develops in areas with high and humid rainfall and humidity. The Sembawa Rubber Research Center garden is a garden for conducting research and developing rubber plants. This study aims to examine the phenomenon of leaf fall of rubber plants due to Pestalotiopsis sp spatially and temporally as well as the influence of rainfall and humidity factors in the garden area. Rubber leaf fall was calculated using the vegetation index and %treecover from Sentinel 2A images and drone images. Rainfall and humidity were obtained through CHIRPS and SMAP images. The results showed a significant relationship between the NDVI value and the leaf fall rate of rubber plants. Rubber leaf fall rate due to Pestalotiopsis sp has a significant relationship with rainfall spatially and temporally. Meanwhile, the humidity did not have a significant correlation with the incidence of rubber leaf falls. Natural leaf fall occurred in August 2020 marked by low levels of rainfall and humidity. December 2020, March, May, and November 2021, leaves fall due to the attack of Pestalotiopsis sp which is characterized by high rainfall and humidity values."

"Penyakit Gugur Daun Pestalotiopsis (PGDP) mengakibatkan defoliasi daun secara terus menerus hingga 75—90% dan memicu terjadinya penipisan kanopi. Oleh karena itu, diperlukan analisis terkait aspek molekular melalui pengembangan klon baru yang diawali dengan analisis ekspresi gen ketahanan Coronatine Insensitive 1 (COI1). Gen Coronatine Insensitive 1 (COI1) merupakan salah satu gen ketahanan yang berkaitan dengan pensinyalan jasmonat dan diekspresikan ketika tanaman dalam kondisi tercekam secara biotik maupun abiotik. Penelitian terkait ekspresi gen COI1 pada Hevea brasiliensis menyatakan bahwa gen tersebut diekspresikan ketika tanaman karet diberi perlukaan. Namun, analisis terkait ekspresi gen ketahanan COI1 pada H. brasiliensis ketika diinfeksi dengan Pestalotiopsis sp. belum dilakukan. Penelitian yang dilakukan bertujuan untuk menganalisis perbandingan ekspresi gen HbCOI1 dari sampel daun sehat, perlukaan, dan diinfeksi dengan Pestalotiopsis sp. dan melakukan analisis perbandingan antar klon GT 1 yang bersifat rentan dan klon IRR 112 yang bersifat moderat. Infeksi dilakukan pada hari ke-3 dan 6 secara in planta. Tahap setelah inokulasi secara in planta adalah esktraksi RNA untuk memperoleh isolat RNA dari seluruh sampel yang digunakan. Selanjutnya, dilakukan sintesis cDNA untuk analisis qPCR dengan metode Livak. Hasil penelitian belum dapat digunakan untuk menyimpulkan tingkat ekspresi gen HbCOI1 dari sampel daun sehat, perlukaan, dan perlukaan serta infeksi dengan Pestalotiopsis sp. Hal tersebut disebabkan oleh tidak dilakukan perhitungan dan pembentukan kurva standar dan tidak dilakukan elektroforesis untuk mengetahui integritas RNA serta untuk membuktikan bahwa isolat yang diekstraksi adalah isolat RNA H. brasiliensis dan replikasi yang digunakan tidak memenuhi syarat perhitungan Livak. Hasil penelitian hanya berupa dugaan adanya perbedaan ekspresi gen HbCOI1 pada tanaman H. brasiliensis sehat, diberi perlukaan saja, dan diberi perlukaan serta infeksi Pestalotiopsis sp.. Oleh karena itu, perlu dilakukan penpenelitian lebih lanjut untuk memperoleh data korelasi ekspresi gen HbCOI1 dan infeksi Pestalotiopsis yang akurat.

---

Pestalotiopsis Leaf Decay (PGDP) causes continuous leaf defoliation of up to 75-90% and triggers canopy thinning. Therefore, an analysis related to molecular aspects is needed through the development of new clones which begins with analysis of the expression of the Coronatine Insensitive 1 (COI1) resistance gene. The Coronatine Insensitive 1 (COI1) gene is one of the resistance genes related to jasmonate signaling and is expressed when plants are under biotic and abiotic stress conditions. Research related to the expression of the COI1 gene in Hevea brasiliensis states that the gene is expressed when the rubber plant is injured. However, an analysis regarding the expression of the COI1 resistance gene in H. brasiliensis when infected with Pestalotiopsis sp. not done. The aim of the study was to analyze the comparison of HbCOI1 gene expression from samples of healthy, injured, and infected leaves with Pestalotiopsis sp. and carried out a comparative analysis between the GT 1 clone which was susceptible and the IRR 112 clone which was moderate. Infection was carried out on day 3 and 6 by in planta. The stage after in planta inoculation is RNA extraction to obtain RNA isolates from all the samples used. Next, cDNA synthesis was carried out for qPCR analysis using the Livak method. The results of this study could not be used to conclude the expression level of the HbCOI1 gene from samples of healthy leaves, wounds, and injuries as well as infections with Pestalotiopsis sp. This was due to the fact that the primary efficiency curve was not calculated and the formation of the standard curve was not carried out and electrophoresis was not carried out to determine the integrity of the RNA and to prove that the extracted isolate was H. brasiliensis RNA isolate and the replication used did not meet the Livak calculation requirements. The results of this study only suggest that there is a difference in HbCOI1 gene expression in healthy H. brasiliensis plants, only injured, and injured and infected with Pestalotiopsis sp. acccurate."

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"Tanaman karet merupakan salah satu komoditas utama ekspor Indonesia. Namun, dalam beberapa tahun terakhir, produksi karet di Indonesia mengalami penurunan. Hal tersebut disebabkan karena adanya penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp.. Berkembangnya teknologi artificial intelligence dengan pendekatan deep learning mampu melakukan pendeteksian pada penyakit ini dengan menggunakan data citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang diterapkan pada data berbentuk visual atau citra. Pada penelitian ini, peneliti menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network 50 (ResNet-50). Pada penelitian ini juga digunakan Transfer Learning yang merupakan sebuah model yang dapat diajarkan dan disempurnakan untuk suatu kegiatan dan kemudian bisa diterapkan pada kegiatan lain. Dataset yang digunakan pada penelitian ini adalah data daun karet yang berjumlah 1629 data yang dibagi dalam 5 kelas yaitu level 0 atau sehat merupakan daun yang sehat, level 1 merupakan daun yang telah terbentuk bercak coklat yang merupakan gejala dari penyakit namun belum memiliki tanda-tanda perubahan warna, level 2 merupakan daun yang telah terbentuk banyak bercak cokelat disertai dengan adanya perubahan warna pada daun, level 3 merupakan daun yang mengalami kerusakan jaringan, perubahan warna menjadi cokelat atau kuning namun masih memiliki sedikit bagian daun yang berwarna hijau, level 4 merupakan daun yang mengalami kerusakan jaringan cukup parah, dipenuhi bercak cokelat dan telah berwarna cokelat menyeluruh. Dari hasil simulasi yang dilakukan, diperoleh hasil terbaik dengan rata-rata accuracy 96,01%, recall 95,888%, dan precision 96,184% dengan running time rata-rata running time 69,759 detik.

---

Rubber plants are one of Indonesia's main export commodities. However, in recent years, rubber production in Indonesia has experienced a decline. This is due to the presence of the leaf fall disease caused by the Pestalotiopsis sp. fungus. The advancement of artificial intelligence technology using deep learning approaches enables the detection of this disease using image data. The Convolutional Neural Network (CNN) is a deep learning algorithm applied to visual or image data. In this study, researchers utilized the Convolutional Neural Network (CNN) method with the Residual Network 50 (ResNet50) architecture. Transfer Learning was also employed in this research, which involves training and refining a model for one task and then applying it to another task. The dataset used in this study consists of 1629 rubber leaf samples divided into 5 classes: level 0, representing the healthy leaves; level 1, indicating leaves with brown spots, a symptom of the disease, but without major visible color changes; level 2, comprising of leaves with numerous brown spots accompanied by slight color changes; level 3, representing leaves with tissue damage, a color change from green to brown or yellow, but still retaining some green parts; and level 4, depicting leaves with severe tissue damage, extensively covered in brown spots and having turned completely brown. The simulation results showed the best outcome with an average accuracy of 96.01%, recall of 95.888%, and precision of 96.184%, with an average running time of 69.759 seconds."

"Mata merupakan salah satu bagian tubuh yang penting pada hidup manusia. Menggunakan bantuan mata, kita dapat menjalankan berbagai macam aktivitas dengan mudah. Namun, banyak sekali penyakit yang dapat menyerang mata, salah satunya adalah mata kering. Sebuah studi yang ada telah mengkonfirmasi bahwa sebagian besar pasien dengan penyakit mata kering dilaporkan mengalami disfungsi kelenjar meibom. Oleh karena itu, sangat penting untuk mengevaluasi kinerja kelenjar meibom pada pasien mata kering. Akan tetapi, pada kenyataannya hasil evaluasi kelenjar meibom oleh tenaga profesional masih sangat subjektif. Seorang dokter mata bisa memiliki pendapat mengenai tingkat kerusakan kelenjar meibom yang berbeda dengan dokter lainnya. Sehingga, alat diagnostik yang efektif diperlukan untuk mengevaluasi kelenjar meibom agar terhindar dari hasil penilaian tenaga profesional yang subjektif. Oleh sebab itu, pada penelitian ini dilakukan segmentasi kelenjar meibom dengan bantuan deep learning untuk menghindari penilaian tenaga profesional yang subjektif. Penelitian ini menggunakan arsitektur yang bernama U-Net. Data yang dimiliki berjumlah 139 citra meibography berasal dari pasien penyakit mata kering dari Rumah Rumah Sakit Cipto Mangunkusumo Departemen Kirana yang terdiri dari 35 citra meibography kelopak mata atas pada mata kanan, 34 citra meibography kelopak mata atas pada mata kiri, 35 citra meibography kelopak mata bawah pada mata kanan, dan 35 citra meibography kelopak mata bawah pada mata kiri. Kemudian citra meibography melalui tahapan anotasi untuk mendapatkan ground truth dan di resize menjadi ukuran 256 x 256. Selanjutnya data tersebut mengalami augmentasi dengan teknik rotasi dan teknik horizontal flip. Sehingga total data citra meibography menjadi 417 citra. Pada penelitian ini data citra meibography dibagi menjadi 3 bagian yaitu data training, data validation, dan data testing. Pada kasus pertama, jumlah data training adalah 80% dari citra meibography yang dimiliki, data validation sebanyak 10% citra meibography dari data training, dan data testing sebanyak 20% citra meibography yang dimiliki. Pada kasus kedua, pembagian data training dan data testing masih sama akan tetapi pembagian data validation adalah 20% dari data training. Pada kasus terakhir pembagian data training dan data testing masih sama akan tetapi pembagian data validation adalah 30% dari data training. Dengan melakukan 5 kali percobaan untuk masing-masing kasus pembagian data, didapat bahwa kasus pertama menghasilkan rata-rata akurasi 94,50% dan rata-rata Intersection over Union (IoU) 72,70%, kasus kedua menghasilkan nilai rata-rata akurasi 94,49% dan rata-rata Intersection over Union (IoU) yaitu 73,86%, dan kasus terakhir memiliki rata-rata akurasi 94,14% dan Intersection over Union (IoU) 72,15%.

---

The eye is one of the essential body parts in human life. With the eye's help, we can carry out various activities easily. However, many diseases can attack the sights, including dry eyes. An existing study has confirmed that most patients with dry eye disease reported meibomian gland dysfunction. Therefore, it is crucial to evaluate the performance of the meibomian glands in dry eye patients. However, the results of the evaluation of the meibomian glands by professionals are still very subjective. An ophthalmologist may have an opinion regarding the level of meibomian gland damage that is different from other doctors. Thus, an effective diagnostic tool is needed to evaluate the meibomian glands to avoid subjective professional assessment results. Therefore, in this study, segmentation of the meibomian glands was carried out with the help of deep learning to prevent subjective professional judgments. This research uses an architecture called U-Net. The data is 139 meibographic images derived from dry eye patients from Cipto Mangunkusumo Hospital Kirana Department consisting of 35 meibographic images of the upper eyelid on the right eye, 34 meibographic images of the upper eyelid on the left eye, 35 meibographic images of the lower eyelid in the right eye, and 35 meibography images of the lower eyelid in the left eye. Then the meibography image goes through the annotation stages to get the ground truth and is resized to a size of 256 x 256. Furthermore, the data is augmented using rotation techniques and horizontal flip techniques. So, the total meibography image data becomes 417 images. In this study, meibography image data is divided into three parts: training data, validation data, and testing data. In the first case, the amount of training data is 80% of the meibography image, validation data is 10% of the meibography image from the training data, and testing data is 20% of the meibography image. In the second case, the distribution of training data and testing data is still the same, but the distribution of validation data is 20% of the training data. In the last case, the training data distribution and testing data are still the same, but the distribution of validation data is 30% of the training data. By conducting five trials for each case of data division, it was found that the first case produced an average accuracy of 94.50% and an average Intersection over Union (IoU) of 72.70%, the second case made an average accuracy value of 94.49% and the average Intersection over Union (IoU) is 73.86%, and the third case has an average accuracy of 94.14% and Intersection over Union (IoU) 72.15%."