Model klasifikasi berbasis deep learning ini dikembangkan untuk mengenali berbagai jenis infeksi hama pada tanaman stroberi. Model ini bertujuan untuk mengidentifikasi dengan cepat gejala-gejala hama, sehingga memungkinkan pe- ngelolaan hama yang efisien di pertanian cerdas. Penelitian ini menggunakan dataset aktual yang berisi gambar daun stroberi yang dikumpulkan dari uji coba pertanian cerdas. Untuk memperluas dataset, data terbuka dari platform seper- ti Kaggle digunakan, sementara gambar daun yang terinfeksi didapatkan melalui web crawling dengan bantuan perpustakaan Python. Data yang ditambahkan ini diubah ke ukuran yang seragam, dan PseudoLabeling digunakan untuk me- mastikan pembelajaran yang stabil pada dataset pelatihan dan pengujian. Mo- del RegNet dan EfficientNet dipilih sebagai model utama berbasis CNN untuk pembelajaran berulang, dengan teknik pembelajaran ensemble untuk mening- katkan akurasi prediksi. Model yang diusulkan bertujuan untuk membantu identifikasi dan penanganan awal hama pada daun stroberi selama periode penanaman awal, fase yang krusial dalam pengembangan pertanian cerdas. Harapannya, model ini dapat meningkatk- an produksi di industri pertanian serta memperkuat daya saingnya. Mendeteksi gejala awal penyakit tanaman dan hama sangat penting untuk mencegah perkembangan mereka dan meminimalkan kerusakan yang ditimbulkan. Meski banyak metode telah dikembangkan menggunakan teknik deep learning, mendeteksi gejala awal masih menantang karena kurang- nya dataset yang mampu melatih model terhadap perubahan halus pada tanaman. Oleh karena itu, peneliti membangun sistem pengumpulan data otomatis untuk mengumpulkan dataset besar gambar tanaman dan melatih model ensemble untuk mendeteksi penyakit dan hama tanaman yang dituju.