<![CDATA[Classifying sugarcane leaf diseases is critical in modern cultivation, because symptoms are often difficult to identify accurately through visual inspection alone. This study compares the performance of three Convolutional Neural Network (CNN) architectures Xception, EfficientNetB0, and ResNet50 using transfer learning on a dataset of 2,521 sugarcane leaf images grouped into five disease classes. A preprocessing stage, including image resizing, was applied to all samples. The data were then split into 80% training, 10% validation, and 10% testing sets. Each model was trained with the same training configuration to ensure a fair comparison, with consistent hyperparameters across experiments. Testing results indicate that EfficientNetB0 achieved the most stable performance with 99.5% accuracy, followed by ResNet50 at 98.2%, whereas Xception yielded the lowest performance due to training instability. These findings suggest that CNN architectures optimized via network-scaling efficiency better handle visual variability in sugarcane leaf disease images.Keywords: Sugarcane Leaf Disease; Transfer Learning; Xception; EfficientNetB0; ResNet50. AbstrakKlasifikasi penyakit daun tebu sangat penting dalam praktik budidaya modern, karena gejala penyakit sering kali sulit diidentifikasi secara akurat hanya melalui pengamatan visual. Studi ini mengkomparasi kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu Xception, EfficientNetB0, dan ResNet50, menggunakan pendekatan transfer learning pada dataset 2.521 citra daun tebu yang dibagi ke dalam lima kelas penyakit. Tahap pra proses yang mencakup penyesuaian ukuran diterapkan pada seluruh citra. Selanjutnya, data dibagi menjadi 80% data pelatihan, 10% data validasi, dan 10% data pengujian. Setiap model dilatih menggunakan konfigurasi pelatihan yang seragam untuk memastikan perbandingan yang adil. Hasil pengujian menunjukkan bahwa EfficientNetB0 memiliki performa paling stabil dengan akurasi 99,5%, diikuti oleh ResNet50 dengan akurasi 98,2%, sedangkan Xception menunjukkan performa terendah akibat ketidakstabilan selama pelatihan. Temuan ini menunjukkan bahwa arsitektur CNN yang dioptimalkan melalui pendekatan efisiensi skala jaringan lebih mampu menangani variasi visual pada citra penyakit daun tebu. ]]>
