<![CDATA[Penelitian ini bertujuan untuk membandingkan efektivitas metode Convolutional Neural Network (CNN) dan Artificial Neural Network (ANN) dalam mengklasifikasikan penyakit pada daun jagung, termasuk Blight, Gray Leaf Spot, dan Common Rust. Jagung merupakan tanaman penting di Indonesia yang sering terpengaruh oleh berbagai penyakit, yang dapat mengakibatkan penurunan hasil panen secara signifikan. Untuk itu, deteksi dini dan akurat terhadap penyakit ini sangat diperlukan guna menjaga produktivitas pertanian. Dalam penelitian ini, digunakan dataset dari Kaggle yang terdiri dari 1506 gambar daun jagung yang terinfeksi oleh tiga jenis penyakit tersebut. Proses penelitian mencakup pengumpulan data, preprocessing, pelatihan model CNN dan ANN, serta evaluasi hasil yang diperoleh. Hasil penelitian menunjukkan bahwa model CNN mencapai akurasi 86,51% dengan nilai kehilangan (loss) 0,1921 setelah 50 epoch, sedangkan model ANN hanya mampu mencapai akurasi 77,16% dengan nilai kehilangan 0,3461. Selain itu, analisis menunjukkan bahwa CNN memiliki kemampuan yang lebih baik dalam belajar pola kompleks dan tidak mengalami overfitting, sementara ANN lebih rentan terhadap masalah tersebut. Penyesuaian hyperparameter, seperti initial learning rate, batch size, dan ukuran gambar, juga berperan penting dalam kinerja model yang optimal. Labeling, yaitu proses memberi label pada gambar, dilakukan untuk membantu model dalam mengklasifikasikan dengan benar. Hasil output klasifikasi ditampilkan melalui antarmuka yang mengirim dan menerima data dalam format JSON, yang memudahkan integrasi dengan aplikasi lain. Penelitian ini merekomendasikan penggunaan CNN untuk aplikasi di bidang pertanian, khususnya dalam deteksi penyakit tanaman, guna meningkatkan efisiensi dan akurasi dalam klasifikasi penyakit yang dapat berdampak pada hasil panen. Dengan demikian, penelitian ini memberikan kontribusi terhadap pengembangan teknologi dalam pertanian dan penerapan metode deep learning dalam klasifikasi penyakit tanaman.]]>
