Modelo de reconocimiento visual para identificar enfermedades del cultivo de café en la comunidad de Tacalpo, Ayabaca, Piura 2024

Abstract

Este estudio tuvo como objetivo determinar como el modelo de reconocimiento visual permite identificar enfermedades del cultivo de café en la comunidad de Tacalpo, Ayabaca, Piura 2024. La metodología utilizada fue de enfoque cuantitativo, de tipo aplicada y de diseño experimental. Asimismo, la muestra de esta investigación estuvo conformada por 42 plantas de café. Los instrumentos para la recolección de datos fueron el cuestionario y la ficha de observación para los indicadores, efectividad del modelo y tiempo promedio en la identificación. Se usó estadística descriptiva para analizar los datos, dando como resultado para el primer indicador una media de 71.4% en el pre-test y un 90.48% en el post-test. Del mismo modo, para el segundo indicador una media de 90.36 segundos en el pre-test y unos 2.89 segundos en el post-test. También, se empleó la estadística inferencial con la prueba de Shapiro-Wilk porque la muestra es inferior a 50. Los resultados para ambos indicadores fueron Sig. < 0.05, indicando una distribución no paramétrica. Por lo cual se empleó la prueba de Wilcoxon y la prueba de rangos obteniendo los siguientes resultados: Para el primer indicador z=-4,512b y sig <.001, para el segundo indicador z=-5,709b y sig <.001. Finalmente, se concluyó que mediante el modelo de reconocimiento visual se optimiza la efectividad en identificar enfermedades en un 19.08% y se reduce el tiempo promedio en identificar enfermedades en un 96.8%.

This study aimed to determine how the visual recognition model enables the identification of coffee crop diseases in the community of Tacalpo, Ayabaca, Piura, 2024. The methodology used was quantitative in approach, applied in nature, and experimental in design. Likewise, the sample for this research consisted of 42 coffee plants. The instruments for data collection were a questionnaire and an observation sheet, focusing on two indicators: model effectiveness and average identification time. Descriptive statistics were used to analyze the data, yielding a mean of 71.4% in the pre-test and 90.48% in the post-test for the first indicator. Similarly, for the second indicator, the mean was 90.36 seconds in the pre-test and 2.89 seconds in the post-test. Inferential statistics were also employed, using the Shapiro-Wilk test due to the sample size being less than 50. Results for both indicators showed Sig. < 0.05, indicating a non-parametric distribution. Consequently, the Wilcoxon test and rank test were applied, yielding the following results: for the first indicator, z = -4.512b and Sig. < .001, and for the second indicator, z = - 5.709b and Sig. < .001. Finally, it was concluded that the visual recognition model improves effectiveness in identifying diseases by 19.08% and reduces the average identification time by 96.8%.