<![CDATA[Abstrak. Sektor perkebunan karet terancam oleh penyakit daun utama (Oidium, Corynespora, Colletotrichum) yang menurunkan produksi lateks. Identifikasi visual manual di lapangan memiliki keterbatasan kecepatan dan bersifat subjektif. Penelitian ini mengimplementasikan model Deep Learning arsitektur EfficientNet-B3 dengan Transfer Learning untuk klasifikasi penyakit daun karet berdasarkan metodologi CRISP-DM. Dataset terdiri dari 2.972 citra yang terbagi merata dalam empat kelas (Sehat, Colletotrichum, Corynespora, Oidium). Data diproses melalui penyesuaian dimensi 300x300 piksel, normalisasi, dan augmentasi. Hasil pengujian menggunakan Confusion Matrix pada 448 citra uji independen menghasilkan tingkat akurasi keseluruhan sebesar 99,11% dengan nilai presisi rata-rata 0,99. Evaluasi kompleksitas menunjukkan model ini sangat ringan dengan waktu inferensi 80,39 ms per citra. Model ini diintegrasikan ke dalam prototipe aplikasi web lokal menggunakan arsitektur hibrida FastAPI dan PHP yang dilengkapi Hybrid Validation System. Hasil integrasi ini menghasilkan sistem deteksi penyakit daun karet yang akurat dan efisien untuk lingkungan komputasi terbatas. Abstract. The rubber plantation sector is threatened by major leaf diseases (Oidium, Corynespora, Colletotrichum) which decrease latex production. Manual visual identification in the field has speed limitations and is subjective. This study implements the EfficientNet-B3 Deep Learning architecture with Transfer Learning for rubber leaf disease classification based on the CRISP-DM methodology. The dataset consists of 2,972 images evenly divided into four classes (Healthy, Colletotrichum, Corynespora, Oidium). The data is processed through 300x300 pixel resizing, normalization, and augmentation. Testing using a Confusion Matrix on 448 independent test images yielded an overall accuracy of 99.11% with an average precision value of 0.99. Complexity evaluation shows this model is very lightweight with an inference time of 80.39 ms per image. This model is integrated into a local web application prototype using a hybrid architecture of FastAPI and PHP equipped with a Hybrid Validation System. This integration produces a highly accurate and efficient rubber leaf disease detection system for limited computing environments.]]>
