Model Identifikasi Penyakit Tanaman Jagung Berbasis Citra Daun Menggunakan ConvNeXt dan MaxViT.Naufal AlwiPratamaauthorNaufal Alwi Pratama 2026. Model Identifikasi Penyakit Tanaman Jagung Berbasis Citra Daun Menggunakan ConvNeXt dan MaxViT. Dibawah bimbingan Dr. Arie Qur’ania, M.Kom. dan Yusma Yanti, M.Si. Jagung (Zea mays L.) merupakan salah satu komoditas pangan penting di Indonesia yang produktivitasnya dapat menurun akibat serangan penyakit daun, sementara proses identifikasi secara manual masih bergantung pada pengamatan visual sehingga berpotensi menyebabkan keterlambatan penanganan. Pengembangan model identifikasi penyakit daun jagung berbasis citra digital dilakukan dengan membandingkan performa arsitektur ConvNeXt dan MaxViT, kemudian mengimplementasikan model terbaik ke dalam aplikasi web Maize Vision. Metode penelitian mengintegrasikan kerangka kerja Knowledge Discovery in Databases (KDD) dan SDLC Waterfall. Dataset yang digunakan berjumlah 7.270 citra yang terdiri atas 2.035 data primer dan 5.235 data sekunder, dengan lima kelas, yaitu Common Rust, Gray Leaf Spot, Northern Leaf Blight, Pest Damage, dan Healthy. Tahapan penelitian meliputi preprocessing, augmentasi data, pelatihan model menggunakan pendekatan transfer learning, evaluasi menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score, serta implementasi model terbaik ke dalam aplikasi web yang selanjutnya diuji melalui pengujian struktural, fungsional, validasi, dan System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa ConvNeXt memberikan performa terbaik dibandingkan MaxViT. Model ConvNeXt terbaik menggunakan optimizer AdamW dengan skenario pembagian data 90:5:5 dan memperoleh accuracy 96,98%, precision 0,97, recall 0,9695, dan F1-score 0,9697, sedangkan model MaxViT terbaik menggunakan optimizer Adam dengan skenario 80:10:10 dan memperoleh accuracy 94,91%, precision 0,9515, recall 0,9502, dan F1-score 0,9506. Aplikasi Maize Vision yang dibangun menggunakan Vue.js dan FastAPI memperoleh skor System Usability Scale (SUS) sebesar 86,125, yang termasuk kategori Acceptable, Grade Scale B, dan Adjective Rating Excellent. Berdasarkan hasil tersebut, dapat disimpulkan bahwa arsitektur ConvNeXt lebih unggul dibandingkan MaxViT dalam mengidentifikasi penyakit daun jagung dan berhasil diimplementasikan pada aplikasi web dengan tingkat usability yang sangat baik. Kata Kunci: Penyakit Daun Jagung, Deep Learning, Computer Vision, ConvNeXt, MaxViTIlmu Komputer2026-07-20Universitas Pakuan;Fakultas Matematika dan Pengetahuan AlamThesis