Tea (Camellia sinensis) is one of the plants that can be used as a drink. Tea is one of the mainstay commodities of plantations in Indonesia and contributes to the economic aspect. According to the Ministry of Trade of the Republic of Indonesia, the total tea trade in Indonesia in 2018 reached US $50 billion. However, in the process of growing tea, it is often faced with obstacles, one of which concerns the quality of tea. Currently to determine the disease that attacks the tea leaves is still done based on personal observations, affecting the accuracy of the analysis. Therefore, this study aims to classify diseases in tea plants based on leaf images using the Convolutional Neural Network (CNN) method with VGG16 architecture. CNN is a deep learning method that has special layers. This study used three types of leaf disease on tea plants that were attacked by fungi, namely blister blight, gray blight, and late blight consisting of 313 images with the ReLU activation process carried out after convolution to ensure the number of each active node from the beginning of the process. By carrying out an iteration process of 20 epochs, this research has succeeded in detecting disease in leaf images with the best training accuracy obtained by 90%

Teh (Camellia sinensis) merupakan salah satu tanaman yang dapat dijadikan minuman. Teh menjadi satu dari banyaknya komoditas andalan perkebunan di Indonesia dan berkontribusi pada aspek ekonomi. Menurut Kementrian Perdagangan Republik Indonesia, tercatat total perdagangan teh di Indonesia pada tahun 2018 mencapai US $50 miliar. Namun dalam proses penanaman teh sering dihadapi dengan kendala, salah satunya menyangkut kualitas teh. Saat ini untuk menentukan penyakit yang menyerang daun teh masih dilakukan berdasarkan pengamatan pribadi, mempengaruhi ketepatan analisa. Maka dari itu penelitian ini bertujuan mengklasifikasi penyakit pada tanaman teh berdasarkan citra daun menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG16. CNN merupakan salah satu metode deep learning yang memiliki layer layer khusus. Pada Penelitian ini menggunakan tiga jenis daun penyakit pada tanaman teh yang terserang oleh jamur, yaitu blister blight, grey blight, dan busuk daun yang terdiri dari 313 citra dengan proses aktivasi ReLU dilakukan setelah konvolusi agar dipastikan angka dari setiap node aktif dari awal proses. Dengan menalukan proses literasi sebanyak 20 epoch penelitian ini telah berhasil mendeteksi penyakit pada citra daun dengan akurasi pelatihan terbaik diperoleh sebesar 90%