Teh (Camellia sinensis) adalah minuman yang sangat populer di Indonesia dengan manfaat kesehatan serta nilai ekonomi yang tinggi. Namun, produksi teh sering terganggu oleh hama dan penyakit yang menurunkan hasil panen serta kualitas daun teh. Penelitian ini bertujuan mengembangkan model deep learning untuk mengidentifikasi berbagai penyakit pada daun teh dengan akurasi tinggi. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur Xception, yang dikenal efektif dalam pengenalan pola dan pemrosesan gambar. Model ini dilatih menggunakan dataset publik dari Kaggle yang terdiri dari gambar daun teh sehat dan daun yang terkena penyakit seperti algal spot, brown blight, gray blight, helopeltis, dan red spot. Hasil penelitian menunjukkan bahwa model CNN Xception mencapai akurasi tertinggi sebesar 86,11% dengan error relatif rendah, yaitu 0,0142. Hasil yang diperoleh mengindikasikan potensi besar teknologi deep learning dalam membantu petani teh melakukan deteksi dini terhadap penyakit, sehingga langkah pencegahan dan pengendalian dapat diambil lebih efektif. Dampaknya pada produksi teh adalah peningkatan hasil panen dan kualitas daun teh, mengurangi risiko kerugian finansial, serta menjaga stabilitas produksi dalam jangka panjang. Dengan demikian, diharapkan teknologi ini dapat meningkatkan produktivitas dan mendukung keberlanjutan industri teh di Indonesia.

Tea (Camellia sinensis) is a very popular beverage in Indonesia with health benefits as well as high economic value. However, tea production is often disrupted by pests and diseases that reduce yield and quality of tea leaves. This research aims to develop a deep learning model to identify various diseases in tea leaves with high accuracy. The method used is Convolutional Neural Network (CNN) with Xception architecture, which is known to be effective in pattern recognition and image processing. The model was trained using a public dataset from Kaggle consisting of images of healthy tea leaves and leaves affected by diseases such as algal spot, brown blight, grey blight, helopeltis, and red spot. The results showed that the Xception CNN model achieved the highest accuracy of 86.11% with a relatively low error of 0.0142. The results obtained indicate the great potential of deep learning technology in helping tea farmers conduct early detection of diseases, so that prevention and control measures can be taken more effectively. The impact on tea production is an increase in yield and tea leaf quality, reducing the risk of financial losses, and maintaining production stability in the long term. Thus, it is hoped that this technology can increase productivity and support the sustainability of the tea industry in Indonesia.