Salah satu bidang pertanian yang penting adalah produksi kentang, yang menjadi sumber pangan utama bagi banyak masyarakat produksi kentang sebagai sumber pangan utama, yang rentan terhadap penurunan produktivitas akibat perubahan iklim, kesuburan tanah, dan serangan penyakit daun. Tujuan penelitian ini adalah Menilai kinerja model dalam membedakan antara daun kentang yang sehat (healthy), daun yang terkena bercak kering (early blight), dan daun yang terkena busuk daun (late blight). Dataset yang digunakan 2152 berasal dari platform Kaggle, terdiri dari gambar daun kentang dalam tiga kategori daun sehat, daun dengan bercak kering (early blight), dan daun dengan busuk daun (late blight), dibagi menjadi 80% data train, 10% data tes, dan 10% data validasi. Penelitian ini menggunakan arsitektur VGG16. Penelitian ini menunjukkan bahwa metode CNN dapat mencapai akurasi tinggi 96% dalam mengklasifikasikan penyakit daun kentang sehingga dapat menjadi alat yang efektif untuk mencegah kerugian ekonomi akibat penyakit tanaman.

One of the important agricultural sectors is potato production, which is the main food source for many people. Potato production as the main food source is vulnerable to decreased productivity due to climate change, soil fertility, and leaf disease attacks. The purpose of this study was to assess the performance of the model in distinguishing healthy potato leaves, leaves affected by dry spots (early leaf blight), and leaves affected by leaf rot (late leaf blight). The dataset used was 2152 from the Kaggle platform, consisting of potato leaf images in three categories, namely healthy leaves, leaves with dry spots (early leaf blight), and leaves with leaf rot (late leaf blight), which were divided into 80% training data, 10% test data, and 10% validation data. This study uses the VGG16 architecture. This study shows that the CNN method can achieve a high accuracy of 96% in classifying potato leaf diseases so that it can be an effective tool to prevent economic losses due to plant diseases.