Penelitian ini bertujuan untuk mengidentifikasi penyakit dan hama pada daun tanaman padi, yang merupakan salah satu tanaman pertanian penting karena sebagian besar penduduk dunia mengandalkan beras sebagai makanan pokok. Penyakit yang diidentifikasi dalam penelitian ini meliputi brown spot, healthy leaf, leaf blast, leaf blight, dan leaf smut, sementara hama yang dianalisis mencakup tungro, hispa, dan dead heart. Metode yang digunakan untuk identifikasi penyakit dan hama ini berbasis gambar dengan memanfaatkan Convolutional Neural Networks (CNN) untuk meningkatkan akurasi identifikasi serta mengatasi keterbatasan dalam pelatihan parameter pada CNN. Dataset yang digunakan berasal dari platform Kaggle, dengan total 1.115 gambar untuk penyakit daun padi dan 4.124 gambar untuk hama daun padi. Dataset dibagi dengan rasio 80% latih, 10% uji, dan 10% validasi. Penelitian ini menguji 10 arsitektur model CNN, yaitu VGG16, VGG19, Xception, NASNetMobile, DenseNet201, DenseNet121, MobileNetV2, EfficientNetB0, EfficientNetB4, dan NASNetLarge, menggunakan Jupyter Anaconda sebagai alat uji. Uji coba dilakukan dengan variasi 10, 20, dan 30 epoch serta batch size sebesar 32 dan 64. Hasil terbaik untuk identifikasi penyakit daun padi diperoleh dari model EfficientNetB4 dengan akurasi sebesar 93%, menggunakan batch size 32 dan 10 epoch. Sementara itu, hasil terbaik untuk identifikasi hama daun padi diperoleh dari model EfficientNetB0 dengan akurasi sebesar 98%, menggunakan batch size 32 dan 20 epoch.

The research objective was to identify diseases and pests on the leaves of paddy plants, which is one of the most important agricultural crops as most of the world's population relies on rice as a staple food. The diseases identified in this study include brown spot, healthy leaf, leaf blast, leaf blight, and leaf smut, while the pests analyzed include tungro, hispa, and dead heart. The method used for disease and pest identification is image-based by utilizing Convolutional Neural Networks (CNN) to improve identification accuracy and overcome limitations in parameter training on CNN. The dataset used comes from the Kaggle platform, with a total of 1,115 images for paddy leaf diseases and 4,124 images for paddy leaf pests. The dataset was divided with a ratio of 80% training, 10% testing, and 10% validation. This research tested 10 CNN model architectures, which are VGG16, VGG19, Xception, NASNetMobile, DenseNet201, DenseNet121, MobileNetV2, EfficientNetB0, EfficientNetB4, and NASNetLarge, using Jupyter Anaconda as a test tool. Tests were conducted with variations of 10, 20, and 30 epochs and batch sizes of 32 and 64. The best results for paddy leaf disease identification were obtained from the EfficientNetB4 model with an accuracy of 93%, using a batch size of 32 and 10 epochs. Meanwhile, the best results for the identification of paddy leaf pests were obtained from the EfficientNetB0 model with an accuracy of 98%, using a batch size of 32 and 20 epochs.