Penelitian ini membahas tentang pentingnya jagung sebagai tanaman pokok di Indonesia, dengan fokus pada produksi, penyakit yang menyerang tanaman jagung, dan penggunaan Convolutional Neural Network (CNN) dalam mengklasifikasikan jenis penyakit daun jagung. Produksi jagung di Indonesia, terutama didominasi oleh Jawa Timur, berkontribusi sebesar 40% dari total produksi nasional. Tanaman jagung mampu bertahan dalam berbagai kondisi cuaca ekstrem asalkan mendapat irigasi yang memadai, namun rentan terhadap penyakit seperti hawar daun, bercak daun, dan karat daun yang disebabkan oleh patogen jamur. Metode Convolutional Neural Network (CNN) digunakan untuk mengklasifikasikan penyakit pada daun jagung dengan akurasi mencapai 90%, dengan data citra penyakit jagung yang diperoleh dari website Kaggle. Penelitian ini berlangsung selama 6 bulan dengan tahapan preprocessing, pembentukan model CNN, dan pengujian akurasi model. Hasil penelitian menunjukkan bahwa model CNN mencapai akurasi training sebesar 97,1% dan akurasi testing sebesar 85,8%, menunjukkan bahwa model ini efektif dalam mengklasifikasikan jenis penyakit daun jagung. Penelitian ini memberikan pemahaman mendalam tentang penerapan teknologi untuk meningkatkan deteksi penyakit pada tanaman jagung, yang penting untuk meningkatkan produktivitas pertanian.

This research discusses the importance of corn as a staple crop in Indonesia, focusing on production, diseases affecting corn plants, and the use of Convolutional Neural Network (CNN) in classifying types of corn leaf diseases. Corn production in Indonesia, primarily dominated by East Java, contributes 40% of the total national production. Corn plants can withstand various extreme weather conditions as long as they receive adequate irrigation, but are vulnerable to diseases such as leaf blight, leaf spots, and leaf rust caused by fungal pathogens. The Convolutional Neural Network (CNN) method is used to classify diseases on corn leaves with an accuracy reaching 90%, using corn disease image data obtained from website Kaggle. This research took place over 6 months with preprocessing stages, CNN model formation, and model accuracy testing. The results show that the CNN model achieved a training accuracy of 97.1% and a testing accuracy of 85,8%, indicating the effectiveness of this model in classifying types of corn leaf diseases. This study provides a deep understanding of the application of technology to improve disease detection in corn plants, which is crucial for increasing agricultural productivity.