Tanaman tomat merupakan komoditas hortikultura penting namun rentan terhadap penyakit daun seperti Early Blight, Late Blight, dan Septoria Leaf Spot yang sering sulit dibedakan secara manual. Penelitian ini bertujuan merancang dan
mengevaluasi model Convolutional Neural Network untuk mengklasifikasikan ketiga penyakit tersebut secara otomatis berbasis citra digital. Metode yang digunakan adalah
Design Science Research Methodology dengan pendekatan transfer learning menggunakan arsitektur MobileNetV2 yang telah dilatih pada dataset ImageNet. Dataset terdiri dari 3.300 citra daun tomat yang diperoleh dari platform Kaggle, dibagi menjadi data latih (70%), validasi (15%), dan uji (15%). Tahapan penelitian meliputi pra-pemrosesan citra (resize 224x224 piksel dan normalisasi), augmentasi data pada data latih, pelatihan model dengan optimizer Adam, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan confusion matrix. Hasil penelitian menunjukkan model
mencapai akurasi 92,12% pada data uji dengan nilai macro average presisi, recall, danF1-score sebesar 0,92. Kelas Septoria Leaf Spot memiliki performa terbaik dengan F1-
score 0,95, sementara kesalahan klasifikasi tertinggi terjadi antara Early Blight dan Late Blight akibat kemiripan visual. Dengan ukuran model yang ringan yaitu 9,87 megabita,
arsitektur ini efektif dan efisien untuk diimplementasikan pada perangkat dengan
sumber daya terbatas guna mendukung pertanian cerdas.