Produk pertanian kentang menjadi sangat penting karena termasuk makanan utama bagi manusia. Kentang memiliki kandungan karbohidrat yang menjadikannya sebagai makanan utama. Dalam mengelola pertanian kentang ini tentu memiliki beberapa kendala diantaranya adalah penyakit yang menyerang pada daun kentang apabila dibiarkan akan menghasilkan produksi yang buruk atau bahkan bisa gagal panen. Late blight dan early blight adalah penyakit yang sering ditemui pada daun kentang. penyakit ini memiliki gejala masing masing sehingga para petani dapat melakukan pencegahan jika melihat gejala pada daun kentang, tetapi langkah ini memiliki kelemahan yaitu proses identifikasi yang lama. Metode Convolutional Neural Network dipilih sebagai klasifikasi penyakit daun kentang. klasifikasi akan dilakukan dengan tiga kelas berupa daun sehat, early blight, dan late blight yang diuji dengan perbandingan 80% data train, dan 10 % data test, serta 10% sebagai validasi. arsitektur model yang digunakan dalam penelitian ini DenseNet201 dengan menggunakan Jupyter Anaconda sebagai alatnya. Hasil pada penelitian ini dianggap baik karena pada epoch ke 15 dengan batch size 32 menghasilkan training akurasi sebesar 99,62%.

Potato agricultural products are very important because they are the main food for humans. Potatoes have a carbohydrate content that makes them a staple food. In managing potato farming, of course, there are several obstacles, including diseases that attack potato leaves, if left unchecked, will result in poor production or even crop failure. Late blight and early blight are diseases that are often encountered on potato leaves. This disease has its own symptoms so that farmers can prevent it if they see symptoms on potato leaves, but this step has a drawback, namely a long identification process. The Convolutional Neural Network method was chosen as the classification of potato leaf diseases. Classification will be carried out with three classes in the form of healthy leaves, early blight, and late blight which are tested with a ratio of 80% train data, and 10% test data, and 10% as validation. The model architecture used in this study DenseNet201 uses Jupyter Anaconda as the tool. The results in this study are considered good because in the 15th epoch with a batch size of 32 produced training accuracy of 99,62%.