Dalam penelitian ini, berbagai model jaringan saraf tiruan konvolusi mendalam(CNN) dieksplorasi untuk mengatasi kebutuhan penting akan identifikasidan pencegahan penyakit tanaman yang tepat waktu. Arsitektur CNN tradisionalumumnya melibatkan biaya komputasi tinggi karena memiliki sejumlahparameter yang besar. Untuk mengatasi hal ini, pendekatan yang dimodifikasimenggantikan konvolusi standar dengan konvolusi yang dapat dipisahkan menurunkanjumlah parameter dan kebutuhan komputasi. Model-model dilatihpada dataset yang beragam yang mencakup beberapa spesies tanaman dankelas penyakit. Evaluasi model dengan parameter-parameter yang berbeda sepertiukuran batch dan dropout mencapai tingkat akurasi klasifikasi penyakityang mengesankan: InceptionV3, InceptionResNetV2, MobileNetV2, dan EfficientNetB0mencatat tingkat akurasi berturut-turut sebesar 98,42 , 99,11 ,97,02 , dan 99,56 , melampaui metode berbasis fitur buatan tangan. Selainitu, G-ResNet50, sebuah model yang diusulkan yang berasal dari ResNet50,diperkaya dengan focal loss, diperkenalkan khusus untuk identifikasi penyakitpada stroberi. Dilatih dengan dataset yang diperluas melalui berbagai operasi,G-ResNet50 menunjukkan konvergensi yang lebih cepat dan tingkat akurasiyang jauh lebih tinggi (98,67 ) dibandingkan dengan VGG16, ResNet50, InceptionV3,dan MobileNetV2. Model G-ResNet50 menunjukkan ketangguhan,stabilitas, dan akurasi pengenalan yang tinggi, menyajikan solusi praktis untukdeteksi dan klasifikasi penyakit stroberi secara real-time, yang penting untukefisiensi dan produktivitas pertanian.