Penelitian ini bertujuan untuk melakukan perbandingan antara arsitektur Convolutional Neural Network (CNN), yaitu VGG16 dan ResNet-50, dalam konteks klasifikasi citra penyakit dan hama tanaman, khususnya pada tanaman padi, kentang, dan sawi. Tujuan utama dari penelitian ini adalah untuk menganalisis performa kedua arsitektur berdasarkan metrik akurasi, presisi, recall, dan F1-score. Selain itu, penelitian ini juga bertujuan untuk menyajikan hasil evaluasi dalam bentuk Confusion Matrix guna mengidentifikasi keunggulan dan kelemahan masing-masing model. Dengan memanfaatkan dataset citra tanaman yang terinfeksi oleh berbagai jenis penyakit dan hama, penelitian ini mengeksplorasi efektivitas setiap arsitektur dalam mengenali pola visual yang menjadi ciri khas dari penyakit dan hama tersebut. Hasil penelitian menunjukkan bahwa ResNet-50 memiliki performa yang lebih unggul dibandingkan VGG16, terutama dalam mendeteksi dan mengidentifikasi penyakit dan hama pada dataset kentang dengan akurasi mencapai 96%. Sebaliknya, VGG16 menunjukkan performa terbaik pada dataset sawi dengan akurasi sebesar 83%. Studi ini menyoroti dampak penggunaan layer pooling, jumlah epoch pelatihan, dan konfigurasi batch size terhadap performa model. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem deteksi penyakit dan hama tanaman berbasis deep learning, serta menawarkan wawasan berharga untuk penelitian selanjutnya dengan arsitektur dan dataset yang lebih baik.

This research aims to compare the architectures of Convolutional Neural Networks (CNN), specifically VGG16 and ResNet-50, in the context of image classification for plant diseases and pests, particularly focusing on rice, potato, and mustard plants. The primary objective of this study is to analyze the performance of these architectures based on metrics such as accuracy, precision, recall, and F1-score. Additionally, the study seeks to present evaluation results through Confusion Matrices to identify the strengths and weaknesses of each model. By utilizing a dataset comprising images of plants affected by various diseases and pests, this research explores the effectiveness of each architecture in recognizing visual patterns characteristic of these conditions. The findings indicate that ResNet-50 outperforms VGG16, particularly in detecting and identifying diseases and pests in potato datasets, achieving an accuracy of 96%. Conversely, VGG16 excels in mustard datasets with an accuracy of 83%. This study highlights the impact of pooling layers, training epochs, and batch size configurations on model performance. The research provides significant contributions to the development of deep learning-based plant disease and pest detection systems and offers valuable insights for future studies involving alternative architectures and enhanced datasets