Jagung merupakan tanaman terpenting ketiga di dunia setelah padi dan gandum, dan kedua di Indonesia. Selama siklus hidup jagung dari biji hingga biji, setiap bagian tanaman jagung terutama daun mudah terserang berbagai penyakit sehingga menyebabkan penurunan hasil dan kualitasnya. Klasifikasi jenis penyakit tanaman secara tepat sulit dilakukan dan memerlukan perawatan khusus sehingga diperlukan peran teknologi didalamnya. Salah satu teknik yang paling banyak digunakan dalam deep learning untuk pengenalan gambar digital adalah Convolutional Neural Networks. Penelitian ini bertujuan mengetahui tingkat akurasi dalam penerapan algoritma CNN untuk mengklasifikasikan penyakit tanaman jagung melalui citra daun. Dataset yang digunakan sebanyak 2500 citra untuk 5 kelas (500 citra setiap kelas) dengan pembagian 80% data training, 10% data valid dan data testing. Terdapat 4 model arsitektur yaitu DenseNet121, Xception, NASNetMobile dan VGG19 dengan membedakan jumlah epoch, pixel dan batch size yang digunakan. Pengujian dilakukan dengan epoch 10 dan 15 serta pixel 128 x 128 px dan 192 x 192 px dalam batch size sebesar 32, 64 dan 128. Diperoleh tingkat akurasi tertinggi menggunakan arsitektur DenseNet121 dengan 192 x 192 pixel, batch size 128 dengan 15 epoch yaitu 96,00%. Sedangkan tingkat akurasi terendah diperoleh arsitektur Xception dengan 128 x 128 pixel dan batch size 32 yaitu 86,80%.

Corn is the third most important crop in the world after rice and wheat, and second in Indonesia. During the life cycle of corn from seed to seed, every part of the corn plant, especially the leaves, is susceptible to various diseases, causing a decrease in yield and quality. Accurate classification of plant diseases is difficult and requires special care, so technology plays a role in it. One of the most widely used techniques in deep learning for digital image recognition is Convolutional Neural Networks. This research aims to determine the level of accuracy in applying the CNN algorithm to classify corn plant diseases through leaf images. The dataset used is 2500 images for 5 classes (500 images per class) with a division of 80% training data, 10% valid data and testing data. There are 4 architectural models, namely DenseNet121, Xception, NASNetMobile and VGG19, with differences in the number of epochs, pixels and batch size used. Testing was carried out with epochs 10 and 15 and pixels 128 x 128 px and 192 x 192 px in batch sizes of 32, 64 and 128. The highest level of accuracy was obtained using the DenseNet121 architecture with 192 x 192 pixels, batch size 128 with 15 epochs, namely 96, 00%. Meanwhile, the lowest level of accuracy obtained by the Xception architecture with 128 x 128 pixels and a batch size of 32 is 86.80%.