Jagung (Zea mays L.) merupakan salah satu komoditas pangan utama di Indonesia yang rentan terhadap serangan penyakit daun seperti hawar dan karat. Deteksi penyakit secara manual membutuhkan waktu lama dan berpotensi menimbulkan kesalahan, sehingga diperlukan sistem otomatis berbasis citra digital. Metode Convolutional Neural Network (CNN) telah banyak digunakan untuk klasifikasi penyakit daun, namun masih memiliki keterbatasan dalam kebutuhan komputasi dan generalisasi pada perangkat dengan sumber daya terbatas. Untuk mengatasi hal tersebut, penelitian ini mengoptimalkan model CNN dengan memanfaatkan arsitektur MobileNetV2 berbasis transfer learning, yang dirancang lebih ringan dan efisien. Dataset yang digunakan berupa citra primer daun jagung dengan latar belakang putih, berjumlah 600 gambar yang terbagi ke dalam tiga kelas: hawar, karat, dan sehat. Proses pelatihan dilakukan dengan ImageDataGenerator untuk normalisasi, augmentasi, serta pembagian data latih dan validasi. Evaluasi model menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi 91%, sedangkan MobileNetV2 unggul dengan akurasi 95% serta distribusi prediksi yang lebih seimbang antar kelas. Temuan ini menunjukkan bahwa MobileNetV2 mampu memberikan kinerja lebih baik dibanding CNN standar. Kontribusi penelitian ini tidak hanya memperkuat literatur tentang penerapan MobileNetV2 dalam klasifikasi citra pertanian, tetapi juga memberikan solusi praktis untuk deteksi penyakit jagung secara cepat, akurat, dan dapat diimplementasikan pada perangkat dengan keterbatasan komputasi.