Tanaman tomat (Solanum lycopersicum) merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi. Namun, produktivitasnya sering terganggu akibat serangan penyakit daun seperti hawar daun, infeksi bakteri dan kudis daun. Deteksi penyakit yang masih dilakukan secara manual oleh petani cenderung subjektif dan memerlukan waktu yang tidak efisien. Oleh karna itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit daun tomat berbasis deep learning mengguakan arsitektur Convolutional Neural Network (CNN) ResNet-50. Dataset yang digunakan terdiri dari 1.000 gambar daun tomat yang terbagi dalam empat kelas utama: hawar daun, infeksi bakteri, kudis daun dan daun sehat. Proses pelatihan model dilakukan dengan augmentasi data untuk meningkatkan kemampuan generalisasi model ResNet-50 mampu melakukan klasifikasi dengan akurasi sebesar 83% dan rata-rata F1-score 84%, menandakan performa yang baik dalam mengenali tipe-tipe penyakit. Sistem yang dikembangkan diharapkan dapat menjadi acuan dalam penelitian akademis dan pengembangan lebih lanjut terkait penerapan deep learning pada klasifikasi penyakit daun tomat, serta memberikan dasar evaluasi bagi pengembangan sistem deteksi otomatis di bidang pertanian.

Tomato (Solanum lycopersicum) is one of the horticultural commodities with high economic value. However, its productivity is often disrupted by foliar diseases such as blight, bacterial infection, and leaf scab. Disease detection still relies on manual observation by farmers, which tends to be subjective and time-consuming. Therefore, this study aims to develop an automatic tomato leaf disease classification system based on deep learning using the Convolutional Neural Network (CNN) architecture, ResNet-50. The dataset used consists of 1,000 tomato leaf images divided into four main classes: blight, bacterial spot, leaf scab, and healthy leaves. The model training process employed data augmentation techniques to improve generalization. The ResNet-50 model achieved a classification accuracy of 83% and an average F1-score of 84%, indicating good performance in recognizing disease categories. The developed system in expected to serve as a reference for academic research and further development of deep learning applications in tomato leaf disease classification, as well as provide a fondation for future implementation of automated detection systems in precision agriculture.