<![CDATA[Salah satu penyebab utama penurunan produktivitas pertanian adalah penyakit daun padi, yang berdampak langsung pada ketahanan pangan nasional. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja sembilan arsitektur Convolutional Neural Network (CNN) berbasis transfer learning dalam klasifikasi penyakit daun padi. Arsitektur-arsitektur ini termasuk DenseNet121, InceptionV3, MobileNet, MobileNetV2, MobileNetV3Large, NASNetLarge, ResNet101, VGG16, dan Xception. Tiga kelas penyakit (Blast, Blight, dan Tungro) terdiri dari dataset Kaggle. Data asli digunakan sebagai data pengujian untuk menjaga objektivitas evaluasi, sedangkan data hasil augmentasi digunakan sebagai data pelatihan. Setiap model dilengkapi dengan lapisan Global Average Pooling, Batch Normalization, dan Dense (128). Selain itu, setiap model dilatih menggunakan optimizer SGD yang memiliki tingkat pembelajaran 0,001, epoch 30, ukuran batch 2, dan fungsi kehilangan kategoris crossentropy. Akurasi, precision, recall, dan skor F1 digunakan untuk menilai. Hasil penelitian menunjukkan bahwa MobileNetV3Large, VGG16, dan ResNet101 memiliki akurasi tertinggi sebesar 100,00%, 99,58%, dan 99,17%, masing-masing. Hasil ini menunjukkan bahwa kinerja klasifikasi penyakit daun padi dipengaruhi secara signifikan oleh pilihan arsitektur CNN yang tepat. Selain itu, temuan ini menunjukkan bahwa pembelajaran transfer dapat menjadi cara yang efektif untuk membangun sistem AI yang mendeteksi penyakit tanaman secara dini.]]>
