<![CDATA[Tanaman jagung merupakan salah satu komoditas pertanian penting yang berperan dalam memenuhi kebutuhan pangan dan mendukung perekonomian masyarakat. Salah satu kendala dalam meningkatkan produktivitas jagung adalah serangan penyakit pada daun, seperti hawar daun dan karat daun, yang dapat menurunkan kualitas dan hasil panen. Proses identifikasi kondisi daun yang masih dilakukan secara manual melalui pengamatan visual membutuhkan waktu dan berpotensi menghasilkan identifikasi yang kurang akurat, terutama bagi pengguna yang belum berpengalaman dalam mengenali gejala penyakit. Penelitian ini bertujuan untuk menerapkan model YOLOv9m dalam membangun sistem deteksi kondisi daun tanaman jagung secara real-time berbasis Android serta mengetahui kinerja model dalam mengidentifikasi tiga kelas, yaitu daun sehat, hawar daun, dan karat daun. Dataset yang digunakan berjumlah 3.000 citra yang terdiri atas tiga kelas tersebut. Pengembangan sistem menggunakan metode Extreme Programming (XP), sedangkan pengujian dilakukan menggunakan Black Box Testing dan Usability Testing. Model YOLOv9m dilatih dan kemudian dikonversi ke format TensorFlow Lite untuk diintegrasikan ke dalam aplikasi Android menggunakan Android Studio. Hasil penelitian menunjukkan bahwa model YOLOv9m mampu mendeteksi dan mengidentifikasi kondisi daun tanaman jagung dengan tingkat akurasi sebesar 94,4%. Hasil Black Box Testing menunjukkan bahwa seluruh fungsi aplikasi berjalan sesuai dengan kebutuhan, sedangkan Usability Testing memperoleh persentase sebesar 85,46% yang termasuk dalam kategori sangat setuju. Dengan demikian, aplikasi yang dikembangkan dinilai layak digunakan sebagai alat bantu untuk mendeteksi kondisi daun tanaman jagung secara real-time melalui perangkat Android.]]>
