<![CDATA[Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada daun cabai merah menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning, khususnya arsitektur ResNet101. Indonesia, sebagai negara agraris, memiliki banyak petani yang mengandalkan tanaman cabai merah sebagai salah satu komoditas utama. Namun, penyakit daun cabai sering kali menurunkan kualitas dan kuantitas hasil panen. Dalam upaya meningkatkan deteksi dini penyakit, penelitian ini memanfaatkan teknologi deep learning untuk menganalisis citra daun cabai. Dataset yang digunakan terdiri dari citra penyakit daun cabai merah yang telah diaugmentasi, dengan total 2128 gambar yang dibagi menjadi data training sebanyak 1702 citra dan data validasi sebanyak 426 citra. Penelitian ini membandingkan kinerja berbagai arsitektur CNN, termasuk AlexNet, GoogleNet, VGGNet16, dan ResNet50, serta lapisan-lapisan pada arsitektur ResNet. Hasil penelitian menunjukkan bahwa augmentasi dataset meningkatkan akurasi validasi dari 89.72% menjadi 97.18%. ResNet101 mencapai akurasi validasi tertinggi sebesar 98.12%, menunjukkan efektivitas transfer learning dalam tugas klasifikasi penyakit daun cabai. Penelitian ini menunjukkan bahwa penggunaan metode CNN dengan transfer learning, khususnya arsitektur ResNet101, sangat efektif untuk mendeteksi dan mengklasifikasikan penyakit pada daun cabai merah. Peningkatan kinerja model melalui augmentasi dataset dan pemilihan arsitektur yang tepat dapat membantu meningkatkan kualitas dan kuantitas hasil panen, serta mendukung pertanian cerdas di Indonesia]]>
