Tomat (Lycopersicum esculentum) sebagai salah satu produk tani di Indonesia, yang memiliki nilai ekomonis tinggi, selain untuk konsumsi langsung, tomat dapat diolah sebagai produk olahan. Tanaman tomat dapat terjangkit penyakit oleh organisme penganggu tanaman (OPT) yang dapat menurunkan nilai ekonomis bahkan kegagalan panen untuk para petani. Penyakit yang beragam seperti; hawar daun, virus mosaic, bacterial spot, dll.
Tujuan penelitian ini, untuk mengklasifikasikan penyakit pada daun tomat mengunakan Convolutional Neural Network (CNN) mengunakan perbandingan model CNN pada DenseNet121, MobileNet2, dan NasNetMobile. Penelitian ini berfokus untuk mengeksplorasi metode transfer learning lanjutan seperti fine tuning, lapisan custom, dan agumentasi data untuk meningkatan peforma model CNN dalam mengklasifikasi citra penyakit pada daun tomat.
Pada penelitian ini matrik evauasi yang akan dianalisis adalah akurasi, loss, presisi, recall, dan F1-Score. Dari pengujian yang telah dilakukan didapatkan hasil dimana DensetNet121 menjadi model arsitektur CNN terbaik di antara ketiga model arsitektur yang di uji, model tersebut menggunakan penerapan fine tuning, augmentasi dan upsampling data, dan penambahan lapisan khusus kustom terhadap model. Dengan hyperparameter input size 224×224, optimizer ADAM, Learning rate 1e-4, dan Batch size 64. Berdasarkan dari hasil pengujian tersebut, test accuracy yang didapatkan sebesar 99.26% dengan testing loss sebesar 0.0284.