Tanaman jagung (Zea mays ) merupakan komoditas pangan utama yang memiliki peran penting dalam sektor pertanian di Indonesia. Namun, serangan penyakit pada daun jagung dapat menyebabkan penurunan hasil panen yang signifikan, sehingga mempengaruhi ekonomi petani dan pasokan pangan nasional. Deteksi penyakit pada tanaman jagung saat ini masih dilakukan secara manual, yang memiliki kekurangan seperti subjektivitas tinggi, keterbatasan tenaga kerja, dan lambatnya proses identifikasi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis menggunakan Convolutional Neural Network (CNN) untuk mengklasifikasikan daun jagung yang terinfeksi dan sehat. Penelitian ini menggunakan dua arsitektur CNN yang populer, yaitu VGG16 dan ResNet50, untuk membandingkan performa keduanya dalam klasifikasi gambar daun jagung. Dataset yang digunakan terdiri dari 4.225 citra daun jagung, yang dibagi menjadi dua kelas, yaitu healthy corn dan infected. Hasil pengujian menunjukkan bahwa model ResNet50 mencapai akurasi 91,54%, lebih tinggi dibandingkan dengan model VGG16 yang hanya mencapai akurasi 90,8%.