Rice is one of the most important staple crops in the world. Most regions in the world make rice as a staple food, especially in Indonesia. Nutrition is one of the important things in plant growth and development. Lack of nutrients in plants can affect the growth process and the quality of plants that are ready to be harvested. The Convolutional Neural Network method was chosen to identify the nutritional needs of hydroponic rice plants. In this study, the dataset used was 1190. Rice leaf images which were divided into 2 classes, Enough and Less, which were tested with a comparison of 80% as data train, 10% as data test, and 10% as validation data. There are three architecture models used in this research, VGG16, MobileNet, and Xception using
Jupyter and Google Colaboratory as tools. The training process was carried out by entering 10 epochs and batch sizes of 32 and 64. The best accuracy results obtained were VGG16 78,15% and 86,47%, MobileNet of 82,69% and 86,55%, Xception of 82,33% and 88,24%. Meanwhile, the best overall accuracy results were obtained from the Xception model of 88,24% with batch size onput of 32, and the tools used were Jupyter.

Padi merupakan salah satu tanaman pokok yang penting di dunia. sebagian besar wilayah di dunia menjadikan beras sebagai makanan pokok khususnya di wilayah Indonesia. Nutrisi merupakan salah satu hal yang penting dalam pertumbuhan dan perkembangan tanaman. Kurangnya nutrisi pada tanaman dapat mempengaruhi proses pertumbuhan dan mutu dari
tanaman yang siap dipanen. Metode Convolutional Neural Network dipilih sebagai identifikasi kebutuhan nutrisi tanaman padi hidroponik. Dalam penelitian ini dataset yang digunakan berasal dari platform Kaggle yang berjumlah 1190. Citra daun padi dibagi menjadi 2 kelas Cukup dan Kurang yang diuji dengan perbandingan 80%, data train dan 10% data tes, serta 10% sebagai data validasi. Arsitektur model yang digunakan dalam penelitian ini ada 3 VGG16, MobileNet, dan
Xception dengan menggunakan Jupyter dan Google Colaboratory sebagai toolsnya. Uji coba dilakukan dengan memasukkan 10 epoch dan batch size sebesar 32 dan 64. Hasil akurasi terbaik yang diperoleh masing-masing VGG16 sebesar 78,15% dan 76,47%, MobileNet sebesar 82,69% dan 86,55%, Xception sebesar 82,33% dan 88,24%. Sementara untuk hasil akurasi keseluruhan terbaik diperoleh dari model Xception sebesar 88,24% dengan masukan batch size sebesar 32, serta tools yang digunakan adalah Jupyter.