Indonesia is an agricultural country with a large agricultural area. Today, growing rice is mainly done indoors hydroponically with a multilevel farming system or indoor vertical farming because of its effectiveness in reducing the size of agricultural land and still producing large amounts of rice. Nutrients in plants grown hydroponically need attention. This study aimed to classify the nutritional needs of rice plant leaves and determine the accuracy of the convolutional neural network (CNN) algorithm in determining nutrition in rice plants. Detecting plant nutrients can be done automatically using the CNN algorithm. CNN is a development and modification of the Multi-Layer Perceptron (MLP), which is intended to perform two-dimensional image data processing. This study has 1156 datasets that are processed using 2 types of architecture, MobileNetV2, and VGG16, with 3 different pixels, including 128, 192, and 224. The limited hyperparameters in this study are split data, 80% training data, 10% valid data, and 10 % test data, batch size 20, and epoch 15, 25, and 35. The best results in this study were obtained on the MobileNetV2 architecture with 224x224 pixels, and epoch 25, which resulted in an accuracy of 87.07% means that the CNN algorithm can classify the nutritional needs of rice plant leaves.

Indonesia merupakan negara agraris dengan luas wilayah pertanian yang besar. Dewasa ini, proses menanam padi banyak dilakukan di dalam ruangan secara hidroponik dengan
sistem pertanian bertingkat atau indoor vertical farming karena efektivitasnya dalam memangkas luas lahan pertanian dan tetap menghasilkan padi dalam jumlah besar.
Nutrisi pada tanaman yang ditanam secara hidroponik perlu diperhatikan. Tujuan penelitian ini adalah untuk mengklasifikasikan kebutuhan nutrisi pada daun tanaman padi serta untuk mengetahui akurasi dari algoritma convolutional neural network (CNN) dalam menentukan nutrisi pada tanaman padi. Proses deteksi nutrisi pada tanaman secara otomatis dapat dilakukan dengan algoritma CNN. CNN merupakan
pengembangan dan modifikasi dari Multi Layer Perceptron (MLP) yang ditujukan untuk melakukan pengolahan data citra dua dimensi. Penelitian ini memiliki 1156 dataset yang diolah menggunakan 2 jenis arsitektur yaitu MobileNetV2 dan VGG16 dengan 3 jenis pixel yang berbeda diantaranya 128, 192, dan 224. Hyperparameter yang dibatasi dalam penelitian ini adalah split data 80% data training, 10% data valid, dan
10% data test, batch size 20, serta epoch 15, 25, dan 35. Hasil terbaik pada penelitian ini didapatkan pada arsitektur MobileNetV2 dengan 224x224 pixel serta epoch 25 yang
menghasilkan akurasi sebesar 87,07%. Hal ini berarti algoritma CNN dapat mengklasifikasi kebutuhan nutrisi pada daun tanaman padi.