<![CDATA[Penyakit daun tomat seperti Early Blight dan Late Blight menjadi ancaman serius terhadap produktivitas pertanian yang memerlukan deteksi dini untuk mencegah kerugian hasil panen. Penelitian ini mengembangkan sistem klasifikasi penyakit daun tomat menggunakan arsitektur EfficientNetB0 dengan metode transfer learning untuk mengidentifikasi tiga kategori kondisi daun Early Blight, Healthy, dan Late Blight. Dataset terdiri dari 1.425 gambar yang dibagi dengan rasio 80:20 dan ditingkatkan menjadi 4.557 gambar training melalui teknik augmentasi data. Empat skenario eksperimen dilakukan dengan variasi batch size (16 dan 32) serta jumlah epoch (25 dan 50) untuk mengidentifikasi konfigurasi hyperparameter optimal. Hasil evaluasi menunjukkan bahwa model dengan batch size 16 dan epoch 50 menghasilkan performa terbaik dengan test accuracy 92.55%, precision 92.82%, recall 92.55%, dan F1-score 92.39%. Performa per-kelas mencapai Early Blight (F1-score 92.46%), Healthy (F1-score 96.26% dengan recall sempurna 100%), dan Late Blight (F1-score 88.30%). Analisis komparatif membuktikan batch size 16 konsisten unggul dibanding batch size 32 dengan selisih akurasi 4.21%, dan peningkatan epoch dari 25 ke 50 memberikan kenaikan 2.10% terutama pada deteksi Early Blight. Model yang dikembangkan memenuhi standar aplikasi praktis dengan akurasi tinggi dan waktu training efisien, berpotensi membantu petani melakukan deteksi dini penyakit untuk meningkatkan produktivitas tanaman tomat.]]>
