Agriculture is the main sector that plays an important role in the national economy. Indonesia is an agricultural country where the livelihood of the majority of the population is farming. Cauliflower has an important role for human health because it contains vitamins and minerals that the body really needs, so that the demand for this
vegetable continues to grow rapidly. This study aims to identify diseases in cauliflower plants with leaf objects which result in poor cauliflower quality using artificial neural networks. The method used in this study is the Convolutional Neural Network (CNN). This CNN is the result of the development of Multilayer Perception (MLP) which is used to manage two-dimensional data. CNN is a deep learning method. The CNN method also includes the type of neural network used in image data. This study uses the CNN architecture to find the best accuracy value. The data in this study were divided into 3 types, namely Training, Validation, and Test where the total data was 483. This research has succeeded in detecting disease in leaf images automatically with the best training accuracy obtained at 97.92%.

Pertanian merupakan sektor utama yang memegang peranan penting dalam perekonomian nasional perekonomian. Indonesia adalah negara agraris yang mata pencaharian mayoritas penduduknya bertani. Kembang kol memiliki peran penting bagi
kesehatan manusia karena kandungan vitamin dan mineral yang sangat di perlukan tubuh, sehingga permintaan sayur ini terus pesat. Pada penelitian ini bertujuan untuk mengindentifikasi penyakit pada tanaman kembang kol dengan objek daun yang mengakibatkan kualitas kembang kol yang buruk dengan menggunakan jaringan syaraf buatan. Metode yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN). CNN ini merupakan hasil pengembangan dari Multilayer Perception (MLP) yang digunakan untuk mengelola data dua dimensi. CNN merupakan salah satu metode deep learning. Metode CNNjuga termasuk jenis neural network yang digunakan pada data image. Penelitian ini menggunakan arsitektur CNN untuk menemukan nilai akurasi terbaik. Data pada penelitian ini dibagi kedalam 3 jenis yaitu Training, Validation, dan Test dimana total data keseluruhan ada 483. Penelitian ini telah berhasil mendeteksi penyakit pada citra daun secara otomatis dengan akurasi pelatihan terbaik diperoleh sebesar 97,92%.