<![CDATA[AbstrakProduktivitas jagung sangat terancam oleh penyakit daun seperti common rust, gray leaf spot, dan leaf blight. Identifikasi penyakit yang lambat dan tidak akurat menjadi masalah utama yang mendesak. Oleh karena itu, penelitian ini bertujuan mengembangkan mekanisme identifikasi otomatis penyakit daun jagung menggunakan algoritma Convolutional Neural Network (CNN) berbasis citra digital, mendukung upaya pertanian presisi. Penelitian menggunakan 4.188 citra daun (sehat, leaf blight, rust, dan gray leaf spot) yang diproses melalui preprocessing seperti normalisasi dan augmentasi. Hasil pengujian menunjukkan efektivitas tinggi, di mana model CNN mencapai akurasi klasifikasi 95% dengan waktu inferensi cepat, hanya 0,48 detik per gambar. Kontribusi utama penelitian ini adalah penyediaan model CNN yang sangat akurat dan efisien, berpotensi besar menjadi dasar sistem diagnostik lapangan untuk membantu petani meningkatkan kualitas dan hasil produksi jagung.Kata kunci: CNN, Deteksi Penyakit, Jagung, Pengenalan Citra, Deep Learning AbstractCorn productivity is severely threatened by leaf diseases such as common rust, gray leaf spot, and leaf blight. Slow and inaccurate disease identification is a pressing issue. Therefore, this study aims to develop an automatic corn leaf disease identification mechanism using a digital image-based Convolutional Neural Network (CNN) algorithm, supporting precision agriculture efforts. The study used 4,188 leaf images (healthy, leaf blight, rust, and gray leaf spot) that were processed through preprocessing such as normalization and augmentation. The test results demonstrated high effectiveness, where the CNN model achieved 95% classification accuracy with a fast inference time of only 0.48 seconds per image. The main contribution of this study is the provision of a highly accurate and efficient CNN model, with great potential to become the basis of a field diagnostic system to help farmers improve corn quality and yield.Keywords: CNN, Disease Detection, Corn, Image Recognition, Deep Learning]]>
