<![CDATA[Meskipun Indonesia memiliki potensi hortikultura yang sangat besar, produktivitas sering terhambat oleh penyakit tanaman yang sulit dideteksi secara cepat dan tepat, yang menyebabkan kerugian panen, penggunaan pestisida yang berlebihan, dan kurangnya literasi pertanian digital. Sebagian besar penelitian dan aplikasi yang saat ini tersedia masih bersifat parsial dan hanya berkonsentrasi pada mengidentifikasi penyakit atau menyediakan materi edukasi, tanpa mengintegrasikan diagnosis otomatis dengan fitur pembelajaran interaktif. Tujuan penelitian ini adalah untuk membuat aplikasi web untuk diagnosis penyakit tanaman hortikultura berbasis Convolutional Neural Network (CNN) MobileNetV2 menggunakan pendekatan pembelajaran transfer. Metode ini menggunakan dataset PlantVillage untuk pelatihan awal dan PlantDoc untuk memvalidasi model dalam kondisi lapangan yang lebih rumit. Sistem dibangun dengan menggunakan arsitektur React.js di frontend, Node.js di backend, dan MySQL sebagai basis data. TensorFlow.js digunakan untuk inferensi model secara langsung di browser. Aplikasi ini memiliki fitur diagnosis otomatis berbasis citra daun, riwayat diagnosis yang dapat dilacak, dan chatbot edukatif yang menawarkan penjelasan tambahan, pembelajaran interaktif, dan saran penanganan kepada pengguna. Selain itu, kerja sama dengan Pusat Pengembangan Benih dan Proteksi Tanaman membantu penelitian ini. Pusat ini memberikan masukan teknis, validasi lapangan, dan menjamin bahwa sistem yang dikembangkan akurat dan relevan untuk praktik dunia nyata. Pengumpulan data, perancangan sistem, implementasi, pengujian multilevel, dan evaluasi performa model menggunakan F1-score, recall, dan confusion matrix adalah bagian dari proses penelitian. Hasil pengujian Black Box menunjukkan bahwa seluruh komponen sistem bekerja sesuai kebutuhan. UAT yang digunakan oleh ahli proteksi tanaman memiliki antarmuka yang sederhana dan mudah dipahami, tingkat kesesuaian diagnosis 90%, dan waktu analisis hanya 7 detik. Aplikasi ini mudah digunakan bahkan oleh pengguna non-teknis, menurut pengujian SUS. MobileNetV2 terbukti lebih baik daripada sistem tanpa model pelatihan, terutama dalam hal stabilitas akurasi variasi pencahayaan dan sudut pengambilan gambar. Penelitian ini tidak hanya menyediakan solusi diagnosis yang cepat dan akurat, tetapi juga membantu petani belajar lebih banyak tentang pertanian digital, mendorong mereka untuk menggunakan teknologi, dan mendukung upaya untuk membangun pertanian hortikultura yang lebih modern, efisien, dan berkelanjutan di Indonesia.]]>
