<![CDATA[Deteksi penyakit pada tanaman merica (Piper nigrum) sangat penting untuk menjaga produktivitas dan kualitas panen, namun metode identifikasi manual oleh petani seringkali tidak efisien dan subjektif. Keterbatasan ini mendorong pemanfaatan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), untuk menciptakan sistem deteksi yang cepat dan akurat. Penelitian ini bertujuan untuk menerapkan arsitektur CNN MobileNetV2 untuk mengklasifikasi empat kondisi daun merica (sehat, busuk pangkal batang, penyakit kuning, dan bercak daun) serta mengevaluasi secara kuantitatif pengaruh teknik augmentasi data terhadap performa model. Metode penelitian yang digunakan adalah pendekatan eksperimental dengan membandingkan dua skenario: Model A yang dilatih menggunakan 420 citra daun asli dan Model B yang dilatih dengan dataset yang sama namun diperbanyak melalui teknik augmentasi meliputi rotasi, flipping, dan penyesuaian kecerahan. Kedua model diuji menggunakan 60 citra data uji yang terpisah dan dievaluasi kinerjanya berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan perbedaan kinerja yang signifikan, di mana Model B (dengan augmentasi) mencapai akurasi keseluruhan sebesar 93%, meningkat dari 88% yang dicapai oleh Model A (tanpa augmentasi). Analisis kurva pelatihan juga membuktikan bahwa augmentasi data efektif menekan overfitting dan meningkatkan kemampuan generalisasi model. Kesimpulannya, arsitektur MobileNetV2 terbukti efektif untuk deteksi penyakit daun merica, dan penerapan teknik augmentasi data merupakan strategi krusial yang secara substansial meningkatkan akurasi dan keandalan model. Implikasi dari temuan ini adalah terbukanya potensi pengembangan aplikasi deteksi penyakit berbasis smartphone yang praktis dan dapat diandalkan untuk membantu petani dalam pengambilan keputusan perawatan tanaman yang lebih efektif.]]>
